CN116433017A - 土壤重金属污染评估方法、装置、设备及存储介质 - Google Patents
土壤重金属污染评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116433017A CN116433017A CN202310309638.2A CN202310309638A CN116433017A CN 116433017 A CN116433017 A CN 116433017A CN 202310309638 A CN202310309638 A CN 202310309638A CN 116433017 A CN116433017 A CN 116433017A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- sample set
- regression model
- metal content
- soil
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 223
- 239000002689 soil Substances 0.000 title claims abstract description 149
- 238000011156 evaluation Methods 0.000 title claims abstract description 132
- 238000012706 support-vector machine Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 140
- 238000005070 sampling Methods 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008689 nuclear function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012911 target assessment Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及污染评估技术领域，公开了一种土壤重金属污染评估方法、装置、设备及存储介质，该方法包括：基于改进后的多核支持向量机创建重金属含量预测模型；通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；通过所述重金属含量预测模型对所述评估结果进行可视化展示。本发明通过创建重金属含量预测模型并通过重金属含量预测模型进行土壤重金属污染风险等级评估以及对评估结果进行可视化展示，解决了现有评估方法存在失真和偏差，很难实现大范围的污染评估，无法达到快速、便捷的目的的技术问题，准确、快速、便捷的实现评估。
Description
技术领域
本发明涉及污染评估技术领域，尤其涉及一种土壤重金属污染评估方法、装置、设备及存储介质。
背景技术
目前，土壤重金属污染风险等级评估主要还是通过野外实地采样，而后进行实验室化学分析，采用常用的土壤重金属污染指数评价方法进行评估，如：单因子指数法、内梅罗综合污染指数法、生态风险指数法等，这类传统的评价方法耗时长、成本高，采集的样本数据少。土壤是一个空间连续的变异体，重金属种类及形态、土壤的水分特征及物化性质、地域差异等因素都会对土壤环境质量产生影响，如果只是简单地使用数学解析式来表示，难以排除人员的主观性和评价系统的随机性，导致评估结果出现失真和偏差，且很难实现大范围的污染评估。
近几年，不少学者将目光聚焦到人工智能上，使用机器学习的方法进行土壤重金属质量浓度预测与污染风险等级评估的研究。Cao等提出一种基于径向基神经网络(RBFNN)的深度复合模型，对武汉市6个新城区的农田土壤重金属含量数据进行仿真实验，验证了模型具有较高的预测准确性；任加国等运用多元统计方法分析重金属与多环芳烃之间的关联性，并使用BP神经网络预测了缺失土壤样本中重金属和PAHs的含量；毛耿旋等针对如何利用少量有标记样本和大量无标记样本训练出鲁棒性的土壤重金属质量浓度反演模型的问题，提出了一种基于半监督回归的高光谱土壤重金属质量浓度反演模型；尹娟等分别应用单因子指数法、GA-SVM模型和内梅罗综合污染指数法计算、评价采样点的土壤环境质量等级，结果显示GA-SVM模型的评价结果与单因子、内梅罗指数法评价结果一致。
虽然上述研究实现了对重金属含量的预测以及对土壤质量状况的评估，但仍存在以下两方面的问题：第一，神经网络的训练需要大量的数据且属性多元，而一般采集的样本数量不多，可挖掘的数据信息结构简单，无法满足神经网络训练的需要，容易产生过拟合现象；第二，没有构建一个完整的土壤重金属污染风险评价体系，大多数研究没有摆脱传统评价方法的约束，仅仅是在传统方法的基础上运用了机器学习模型，无法达到快速、便捷的目的。
发明内容
本发明的主要目的在于提供一种土壤重金属污染评估方法、装置、设备及存储介质，旨在解决现有技术评估方法存在失真和偏差，很难实现大范围的污染评估，无法达到快速、便捷的目的的技术问题。
为实现上述目的，本发明提供了一种土壤重金属污染评估方法，所述方法包括以下步骤：
基于改进后的多核支持向量机创建重金属含量预测模型，其中，所述改进后的多核支持向量机为基于多核支持向量机选取最优权系数、最优函数宽度及最优惩罚系数的多核函数创建的；
通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；
通过所述重金属含量预测模型对所述评估结果进行可视化展示。
可选地，所述基于改进后的多核支持向量机创建重金属含量预测模型，包括：
获取多核支持向量机，其中，所述多核支持向量机的核函数为多核函数；
获取所述多核函数的权系数、函数宽度及惩罚系数均为最优时的单一函数组合，得到最优权系数、最优函数宽度及最优惩罚系数；
将所述最优权系数、最优函数宽度及最优惩罚系数的多核函数的多核支持向量机作为改进后的多核支持向量机；
基于所述改进后的多核支持向量机创建重金属含量预测模型。
可选地，所述获取多核支持向量机包括：
获取传统支持向量机，其中，所述传统支持向量机的核函数为单一核函数；
获取多核函数，其中，所述多核函数由若干数量的单一核函数组成；
将所述传统支持向量机中的单一核函数替换为所述多核函数，得到多核支持向量机。
可选地，所述通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果，包括：
获取已标记样本集与未标记样本集，其中，所述已标记样本集中采样点地理位置信息、功能区信息及其对应的土壤重金属含量值均为已知，所述未标记样本集中采样点地理位置信息及功能区信息已知，对应的土壤重金属含量信息未知；
将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量；
通过所述重金属含量预测模型根据所述已标记样本集与未标记样本集中采样点的土壤重金属含量，对目标评估区域的土壤重金属污染风险等级进行评估，得到评估结果。
可选地，所述获取已标记样本集与未标记样本集，包括
获取所述目标评估区域的采样点，并根据所述目标评估区域的采样点得到已标记样本集；
获取所述目标评估区域的未采样点，并根据所述目标评估区域的未采样点得到已标记样本集。
可选地，所述重金属含量预测模型包括第一回归模型与第二回归模型，其中，所述第一回归模型与第二回归模型的初始化参数不同；
所述将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量，包括：
通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型；
根据所述目标第一回归模型与目标第二回归模型分别对所述未标记样本集中采样点的土壤重金属含量进行预测；
将所述目标第一回归模型与目标第二回归模型的预测结果的平均值作为标记样本集中采样点的土壤重金属含量。
可选地，所述通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型，包括：
通过所述已标记样本集对所述第一回归模型与第二回归模型进行初始化训练，得到训练后的第一回归模型与训练后的第二回归模型；
从所述已标记样本集随机选取出第一已标记样本集和第二已标记样本集，从所述未标记样本集随机选取出第一未标记样本集和第二未标记样本集；
通过所述第一回归模型根据所述第一已标记样本集对所述第一未标记样本集进行标记，并从所述第一未标记样本集中选取标记置信度最高的样本加入所述第二已标记样本集；
通过所述第二回归模型根据所述第二已标记样本集对所述第二未标记样本集进行标记，并从所述第二未标记样本集中选取标记置信度最高的样本加入所述第一已标记样本集；
更新所述第一已标记样本集、第二已标记样本集、第一未标记样本集以及第二未标记样本集，并重新训练所述第一回归模型与第二回归模型直至所述第一已标记样本集与第二已标记样本集不再变化，得到目标第一回归模型与目标第二回归模型。
此外，为实现上述目的，本发明还提出一种土壤重金属污染评估装置，所述土壤重金属污染评估装置包括：
创建模块，用于基于改进后的多核支持向量机创建重金属含量预测模型，其中，所述改进后的多核支持向量机为基于多核支持向量机选取最优权系数、最优函数宽度及最优惩罚系数的多核函数创建的；
评估模块，用于通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；
展示模块，用于通过所述重金属含量预测模型对所述评估结果进行可视化展示。
此外，为实现上述目的，本发明还提出一种土壤重金属污染评估设备，所述土壤重金属污染评估设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土壤重金属污染评估程序，所述土壤重金属污染评估程序配置为实现如上文所述的土壤重金属污染评估方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有土壤重金属污染评估程序，所述土壤重金属污染评估程序被处理器执行时实现如上文所述的土壤重金属污染评估方法的步骤。
本发明通过基于改进后的多核支持向量机创建重金属含量预测模型；通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；通过所述重金属含量预测模型对所述评估结果进行可视化展示。通过上述方式，通过创建重金属含量预测模型并通过重金属含量预测模型进行土壤重金属污染风险等级评估以及对评估结果进行可视化展示，解决了现有评估方法存在失真和偏差，很难实现大范围的污染评估，无法达到快速、便捷的目的的技术问题，准确、快速、便捷的实现评估。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的土壤重金属污染评估设备的结构示意图；
图2为本发明土壤重金属污染评估方法第一实施例的流程示意图；
图3为本发明土壤重金属污染评估方法第二实施例的流程示意图；
图4为本发明土壤重金属污染评估方法二实施例的多核支持向量机结构图；
图5为本发明土壤重金属污染评估方法二实施例的融合改进后的遗传-粒子群算法流程图；
图6为本发明土壤重金属污染评估方法第三实施例的流程示意图；
图7为本发明土壤重金属污染评估方法三实施例的采样点与加密样本点分布示意图；
图8为本发明土壤重金属污染评估方法第三实施例的训练样本构成示意图；
图9为本发明土壤重金属污染评估装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的土壤重金属污染评估设备结构示意图。
如图1所示，该土壤重金属污染评估设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对土壤重金属污染评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及土壤重金属污染评估程序。
在图1所示的土壤重金属污染评估设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明土壤重金属污染评估设备中的处理器1001、存储器1005可以设置在土壤重金属污染评估设备中，所述土壤重金属污染评估设备通过处理器1001调用存储器1005中存储的土壤重金属污染评估程序，并执行本发明实施例提供的土壤重金属污染评估方法。
本发明实施例提供了一种土壤重金属污染评估方法，参照图2，图2为本发明土壤重金属污染评估方法第一实施例的流程示意图。
本实施例中，所述土壤重金属污染评估方法包括以下步骤：
步骤S10：基于改进后的多核支持向量机创建重金属含量预测模型，其中，所述改进后的多核支持向量机为基于多核支持向量机选取最优权系数、最优函数宽度及最优惩罚系数的多核函数创建的。
需要说明的是，支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，基于改进后的多核支持向量机创建重金属含量预测模型，即可根据改进后的多核支持向量机的分类功能对未标记样本集中的数据进行分类。
可以理解的是，改进后的多核支持向量机为根据传统支持向量机创建的，将传统支持向量机的核函数替换为多核函数，得到多核支持向量机，并对所述多核支持向量机进行改进，得到改进后的多核支持向量机。
步骤S20：通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果。
需要说明的是，通过重金属含量预测模型对目标评估区域进行土壤重金属污染风险等级评估，所述目标评估区域例如武汉市黄陂、新洲区，本市实施了对此不作具体限制。
可以理解的是，评估结果是基于《土壤环境质量标准》中所规定的各重金属元素评价标准确定的，根据《土壤环境质量标准》所规定的各重金属元素评价标准，将土壤重金属污染风险划分为四个等级，分别为1、2、3、4，其中，0至1级为无污染，1至2级为轻度污染，2至3级为中度污染，3至4级为重度污染。
如1表所示，表1为土壤环境质量分类评价标准表，表中包括As、Cd、Cr、Hg、Pb、Zn、Cu、Ni 8种重金属元素，以及无污染、轻度污染、中度污染、重度污染四种类型，以及每种重金属元素的含量范围对应的污染类型，评价等级包括1、2、3、4，其中，0至1级为无污染，1至2级为轻度污染，2至3级为中度污染，3至4级为重度污染。
表1
步骤S30：通过所述重金属含量预测模型对所述评估结果进行可视化展示。
需要说明的是，所述重金属含量预测模型还融入了GIS空间分析技术，通过所述GIS空间分析技术对评估结果进行可视化展示，从而全面的了解目标评估区域的土壤的质量状况。
本实施例通过基于改进后的多核支持向量机创建重金属含量预测模型；通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；通过所述重金属含量预测模型对所述评估结果进行可视化展示。通过上述方式，通过创建重金属含量预测模型并通过重金属含量预测模型进行土壤重金属污染风险等级评估以及对评估结果进行可视化展示，解决了现有评估方法存在失真和偏差，很难实现大范围的污染评估，无法达到快速、便捷的目的的技术问题，准确、快速、便捷的实现评估。
参考图3，图3为本发明土壤重金属污染评估方法第二实施例的流程示意图。
基于上述第一实施例，本实施例土壤重金属污染评估方法中所述步骤S10，包括：
步骤S101：获取多核支持向量机，其中，所述多核支持向量机的核函数为多核函数。
需要说明的是，多核支持向量机的核函数为多核函数，多核函数即由若干个单一函数组成。
在具体实现中，设存在M个单一核函数Km(xi,xj)，m＝1,...,M；i＝1,...,n，j＝1,...,n，则多核函数为：
式中，
对于每个单一核函数Km而言，Km可分别选取不同的核函数和自由参数，例如可以选取一组不同宽度的高斯核函数。
值得说明的是，根据所述多核函数中的加权线性合成核代替传统支持向量机里的单一核函数，就构成多核支持向量机，如图4所示，图4为本发明土壤重金属污染评估方法二实施例的多核支持向量机结构图。
进一步地，为了获得多核支持向量机，步骤S101，包括：获取传统支持向量机，其中，所述传统支持向量机的核函数为单一核函数；获取多核函数，其中，所述多核函数由若干数量的单一核函数组成；将所述传统支持向量机中的单一核函数替换为所述多核函数，得到多核支持向量机。
需要说明的是，传统支持向量机的核函数为单一核函，多核支持向量机的核函数为多核函，多核函数由若干数量的单一核函数组成。
值得说明的是，目前常见的三种单一核函数包括线性核函数、多项式核函数以及高斯核函数。
如表2所示，表2为单一核函数示意表，表中包括线性核函数、多项式核函数以及高斯核函数三种单一核函数，以及对应的函数表达式。
表2
| 核函数 | 核函数表达式 |
| 线性核函数 | K(x,xi)＝(xTxi) |
| 多项式核函数 | K(x,xi)＝(1+xTxi)q,q＝1,2,...,n |
| 高斯核函数 | K(x,xi)＝exp[g(x-xi)2] |
在具体实现中，基于核函数的特性和合成核的复杂度，本实施例选择学习能力较强的高斯核函数和复杂度较低的线性核函数作为单一核函数，得到多核函数为：
K(x,xi)＝λk1(x,x')+(1-λ)k2(x,x')
式中，k1(x,x')为线性核函数，k2(x,x')为高斯核函数，λ为线性核函数的权系数，(1-λ)为高斯核函数的权系数。
步骤S102：获取所述多核函数的权系数、函数宽度及惩罚系数均为最优时的单一函数组合，得到最优权系数、最优函数宽度及最优惩罚系数。
值得说明的是，对于线性组合的方式获得合成核，若权系数的分配不合理，不仅无法得到有效的融合，还会使得合成核的性能低于单个核函数的性能，因此需要获取权系数、函数宽度及惩罚系数均为最优时的单一函数组合，得到最优权系数、最优函数宽度及最优惩罚系数，从而使重金属含量预测模型的评价效果更加准确。
值得说明的是，本实施例中，通过融合改进后的遗传-粒子群算法(GAPSO)求取最优的权系数、函数宽度以及及惩罚系数，本实施例对此不作具体限制。
需要说明的是，粒子群优化算法(PSO)是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，原理简单，实现容易，但是存在迭代后期收敛速度慢、易陷入局部最优等问题，而遗传算法(GA)的核心是通过不断地演变进化，挑选更加优秀的染色体群落，让染色体适应度值不断降低收敛，从而得到全局或局部最优解，综合这两种算法的优势，PSO算法在个体迭代优化后，加入GA算法的交叉和变异操作，得到更为优秀的后代群体，这样可以充分利用PSO算法中种群的信息和个体的信息，使得寻优过程更加高效，最终结果精度更高，从而得到最优的权系数、函数宽度以及及惩罚系数。
可以理解的是，在改进后的多核支持向量机的最优权系数、最优函数宽度及最优惩罚系数的选取中，将融合改进后的遗传-粒子群算法的适应度值作为目标函数，粒子的位置代表待优化权系数、函数宽度以及惩罚系数的取值；根据权系数、函数宽度以及惩罚系数的典型值，把相应的权系数、函数宽度以及惩罚系数的值放大或缩小，得到权系数、函数宽度以及惩罚系数的搜索区间，即粒子位置的搜索范围，粒子位置初始化是在搜索范围内随机选取的，所述目标函数为：
式中，RMSE为标准误差即目标函数，n为测量的数据长度；i与i’分别为仿真值与测试值。
如图5所示，图5为本实施例土壤重金属污染评估方法的融合改进后的遗传-粒子群算法流程图，图中包生成初始种群，初始化种群，赋值种群中的参数；计算种群中个体的初始适应度值，按适应度的值大小进行排序，保留更优的前ps/2个个体，抛弃后ps/2个个体；对前ps/2中的个体进行提高和进化并直接进入下一代；对下一代的剩下的ps/2个体，从已经进化后的ps/2个个体中按竞争选择方法，先随机选择2个较为优秀的个体，然后比较2个个体的是应付函数值大小，选择其中适应度函数值大的作为父体，再以同样的方式选择一个母体，最后以概率pc进行交叉，生成2个新的个体，重复上述过程直到获得ps/2个个体；对于选择交叉后获得的ps/2个个体以概率pm进行变异。变异操作完后，把ps/2个个体带入到下一代种群中再次竞争；判断是否达到迭代次数或者当前种群是否满足预设的条件，若满足则终止寻优，否则跳转回计算种群中个体的初始适应度值。
步骤S103：将所述最优权系数、最优函数宽度及最优惩罚系数的多核函数的多核支持向量机作为改进后的多核支持向量机。
值得说明的是，通过融合改进后的遗传-粒子群算法得到最优权系数、最优函数宽度及最优惩罚系数的多核函数对应的多核支持向量机作为改进后的多核支持向量机。
步骤S104：基于所述改进后的多核支持向量机创建重金属含量预测模型。
本实施例通过获取多核支持向量机；获取所述多核函数的权系数、函数宽度及惩罚系数均为最优时的单一函数组合，得到最优权系数、最优函数宽度及最优惩罚系数；将所述最优权系数、最优函数宽度及最优惩罚系数的多核函数的多核支持向量机作为改进后的多核支持向量机；基于所述改进后的多核支持向量机创建重金属含量预测模型。通过上述方法，将最优权系数、最优函数宽度及最优惩罚系数的多核函数的多核支持向量机作为改进后的多核支持向量机并创建重金属含量预测模型，使重金属含量预测模型的评价效果更加准确。
参考图6，图6为本发明土壤重金属污染评估方法第三实施例的流程示意图。
基于上述第一实施例，本实施例土壤重金属污染评估方法中所述步骤S20，包括：
步骤S201：获取已标记样本集与未标记样本集，其中，所述已标记样本集中采样点地理位置信息、功能区信息及其对应的土壤重金属含量值均为已知，所述未标记样本集中采样点地理位置信息及功能区信息已知，对应的土壤重金属含量信息未知。
需要说明的是，已标记样本集采样点地理位置信息、功能区信息及其对应的土壤As、Cd、Cr、Hg、Pb、Zn、Cu、Ni 8种重金属元素含量值均为已知，未标记样本集中采样点地理位置信息及功能区信息已知，对应的土壤As、Cd、Cr、Hg、Pb、Zn、Cu、Ni 8种重金属元素含量信息未知。
可以理解的是，所述地理位置信息包括采样点经度、纬度、海拔等，功能区信息包括水田、水浇地和旱地等，土壤重金属含量值包括As、Cd、Cr、Hg、Pb、Zn、Cu、Ni等重金属元素的含量值，本实施例对此不作具体限制。
在具体实现中，设L＝{(x1,y1),(x2,y2),...,(x|L|,y|L|)}表示已标记样本集，其中，xi是d属性描述的第i个实例，yi是它的实值标签，即它的期望实值输出，|L|是标记的样本数，已标记样本集中的采样点经度、纬度、海拔，功能区信息及其对应的8种土壤重金属含量值均为已知，设U表示未标记样本集，未标记样本集中采样点经度、纬度、海拔以及功能区信息已知，但对应的土壤重金属含量信息未知。
进一步地，所述步骤S201，包括：获取所述目标评估区域的采样点，并根据所述目标评估区域的采样点得到已标记样本集；获取所述目标评估区域的未采样点，并根据所述目标评估区域的未采样点得到已标记样本集。
在具体实现中，将目标评估区域划分为预设间距的网格区域，按照预设采样点密度对表层土(0～10厘米深度)进行取样、编号，并用GPS记录采样点的位置，而后对采样点进行监测分析，获取采样点的经度、纬度、海拔信息以及土壤中As、Cd、Cr、Hg、Pb、Zn、Cu、Ni 8种重金属在采样点处的含量，根据样品以及对应的采样点的经度、纬度、海拔信息以及土壤中As、Cd、Cr、Hg、Pb、Zn、Cu、Ni 8种重金属在采样点处的含量等信息，得到已标记样本集，所述预设间距可以为间距1公里，所述预设采样点密度可以为每平方公里1个采样点，本实施例对此不作具体限制。
需要说明的是，采样数据的多少直接关系到土壤质量状况分析效果的好坏，本实施例中，例如黄陂区共有采样点364个，在新洲区共有采样点266个，不足以实现较为精准的空间分析，为了扩大样本数据集的规模，提高土壤重金属污染风险评估精度，基于协同训练算法的半监督回归模型对采样点数据进行加密插值，得到加密样本点，根据加密样本点得到未标记样本集，如图7所示，图7为本实施例土壤重金属污染评估方法的采样点与加密样本点分布示意图。
步骤S202：将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量。
需要说明的是，将已标记样本集与未标记样本集输入重金属含量预测模型，通过重金属含量预测模型对未标记样本集中样本对应的采样点的土壤重金属进行标记分类。
在具体实现中，利用已标记样本集L对第一回归模型h1和第二回归模型h进行初始化训练，通过训练后的第一回归模型h1对未标记样本集L中所有样本进行标记，并将标记置信度最高的样本及其样本目标值添加到训练后的第二回归模型h2中，直至未标记样本集中所有未标记样本均被标记完成。
进一步地，所述步骤S202，包括：通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型；根据所述目标第一回归模型与目标第二回归模型分别对所述未标记样本集中采样点的土壤重金属含量进行预测；将所述目标第一回归模型与目标第二回归模型的预测结果的平均值作为标记样本集中采样点的土壤重金属含量。
需要说明的是，重金属含量预测模型包括第一回归模型与第二回归模型，其中，所述第一回归模型与第二回归模型的初始化参数不同，初始化指的是在网络模型训练之前，对各个节点的权重和偏置进行初始化赋值，所述第一回归模型与第二回归模型的权重和偏置初始化赋值不同。
可以理解的是，第一回归模型与第二回归模型是一种初始化参数不同的K近邻(KNN)回归器，K近邻(KNN)回归器通过K近邻算法进行分类，K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
可理解的是，通过第一回归模型与第二回归模型进行预测是一种基于协同训练技术的半监督回归算法，采用两个K近邻(KNN)回归器，每个回归器在学习过程中为另一个回归器标记未标注的数据，为了选择合适的未标注示例进行标注，通过参考未标注示例的标注对已标注示例的影响来估计标注置信度，最后的预测是由两个回归器产生的回归估计的平均值做出的，由于半监督回归算法利用不同的距离度量而不需要充分和冗余的视图，因此它的实用性很广。
进一步地，所述通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型，包括：通过所述已标记样本集对所述第一回归模型与第二回归模型进行初始化训练，得到训练后的第一回归模型与训练后的第二回归模型；从所述已标记样本集随机选取出第一已标记样本集和第二已标记样本集，从所述未标记样本集随机选取出第一未标记样本集和第二未标记样本集；通过所述第一回归模型根据所述第一已标记样本集对所述第一未标记样本集进行标记，并从所述第一未标记样本集中选取标记置信度最高的样本加入所述第二已标记样本集；通过所述第二回归模型根据所述第二已标记样本集对所述第二未标记样本集进行标记，并从所述第二未标记样本集中选取标记置信度最高的样本加入所述第一已标记样本集；更新所述第一已标记样本集、第二已标记样本集、第一未标记样本集以及第二未标记样本集，并重新训练所述第一回归模型与第二回归模型直至所述第一已标记样本集与第二已标记样本集不再变化，得到目标第一回归模型与目标第二回归模型。
需要说明的是，所述标记置信度最高的样本是使得回归模型与已标记样本最一致的样本。
可以理解的是，本实施例中通过样本加入对应样本集前后的均方误差来衡量每个未标记样本的标记置信度，具体包括：计算已标记样本集的回归模型的均方误差MSE，假设xu代表未标记样本，yu代表将xu加入原始回归模型后得到的预测结果，将(xu，yu)加入到已标记样本集中，即可计算出新的回归模型的均方误差MSE值，记为MSE'，令△u＝MSE'-MSE，选择Δu最大的(xu，yu)作为置信度最高的样本，直到Δu小于0时，停止加入样本，则Δu计算公式为：
式中：h表示原始回归模型，h'表示加入(xu，yu)后的回归模型，yi为已标记样本集的标签。
步骤S203：通过所述重金属含量预测模型根据所述已标记样本集与未标记样本集中采样点的土壤重金属含量，对目标评估区域的土壤重金属污染风险等级进行评估，得到评估结果。
需要说明的是，通过所述重金属含量预测模型根据所述已标记样本集与未标记样本集中采样点的土壤重金属含量，对目标评估区域的土壤重金属污染风险等级进行评估，得到评估结果，例如，根据表1土壤环境质量分类评价标准表的建议范围与数值，如果C(Hg)≤0.15mg/kg，C(Cr)≤90mg/kg，C(Cd)≤0.2mg/kg，C(Cu)≤35mg/kg，C(Pb)≤35mg/kg，C(As)≤15mg/kg，C(Ni)≤40mg/kg，C(Zn)≤100mg/kg时，各项指标都属于非污染状态，此样点土壤重金属的综合污染评价指数肯定为小于1，属于无污染类型。
值得说明的是，为了评估结果的准确度，在对所述重金属含量预测模型进行训练时，在训练样本的选择和生成上根据表1的污染指标区间进行等差生成序列数值，评价目标训练值也采用等差生成序列数值，其中，重度污染以上的样本上限分别定为重度污染起始值的3倍，具体训练样本的构成如图8所示。
如图8所示，图8为本实施例土壤重金属污染评估方法的训练样本构成示意图，图中包括As、Cd、Cr、Hg、Pb、Zn、Cu、Ni 8种重金属元素，以及每种重金属元素对应的污染累计上限、中度污染上限、重度污染上限以及重度污染值的样本数值。
本实施例通过获取已标记样本集与未标记样本集，其中，所述已标记样本集中采样点地理位置信息、功能区信息及其对应的土壤重金属含量值均为已知，所述未标记样本集中采样点地理位置信息及功能区信息已知，对应的土壤重金属含量信息未知；将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量；通过所述重金属含量预测模型根据所述已标记样本集与未标记样本集中采样点的土壤重金属含量，对目标评估区域的土壤重金属污染风险等级进行评估，得到评估结果。通过上述方式，通过重金属含量预测模型用已标记样本集对未标记样本集进行标记分类，扩大样本集数据，提高重金属含量预测模型对土壤重金属污染风险等级评估的准确性。
参照图9，图9为本发明土壤重金属污染评估装置第一实施例的结构框图。
如图9所示，本发明实施例提出的土壤重金属污染评估装置包括：
创建模块10，用于基于改进后的多核支持向量机创建重金属含量预测模型；
评估模块20，用于通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；
展示模块30，用于通过所述重金属含量预测模型对所述评估结果进行可视化展示。
在一实施例中，所述创建模块10，还用于获取多核支持向量机，其中，所述多核支持向量机的核函数为多核函数；获取所述多核函数的权系数、函数宽度及惩罚系数均为最优时的单一函数组合，得到最优权系数、最优函数宽度及最优惩罚系数；将所述最优权系数、最优函数宽度及最优惩罚系数的多核函数的多核支持向量机作为改进后的多核支持向量机；基于所述改进后的多核支持向量机创建重金属含量预测模型。
在一实施例中，所述创建模块10，还用于获取传统支持向量机，其中，所述传统支持向量机的核函数为单一核函数；获取多核函数，其中，所述多核函数由若干数量的单一核函数组成；将所述传统支持向量机中的单一核函数替换为所述多核函数，得到多核支持向量机。
在一实施例中，所述评估模块20，还用于获取已标记样本集与未标记样本集，其中，所述已标记样本集中采样点地理位置信息、功能区信息及其对应的土壤重金属含量值均为已知，所述未标记样本集中采样点地理位置信息及功能区信息已知，对应的土壤重金属含量信息未知；将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量；通过所述重金属含量预测模型根据所述已标记样本集与未标记样本集中采样点的土壤重金属含量，对目标评估区域的土壤重金属污染风险等级进行评估，得到评估结果。
在一实施例中，所述评估模块20，还用于获取所述目标评估区域的采样点，并根据所述目标评估区域的采样点得到已标记样本集；获取所述目标评估区域的未采样点，并根据所述目标评估区域的未采样点得到已标记样本集。
在一实施例中，所述评估模块20，还用于通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型；根据所述目标第一回归模型与目标第二回归模型分别对所述未标记样本集中采样点的土壤重金属含量进行预测；将所述目标第一回归模型与目标第二回归模型的预测结果的平均值作为标记样本集中采样点的土壤重金属含量。
在一实施例中，所述评估模块20，还用于通过所述已标记样本集对所述第一回归模型与第二回归模型进行初始化训练，得到训练后的第一回归模型与训练后的第二回归模型；从所述已标记样本集随机选取出第一已标记样本集和第二已标记样本集，从所述未标记样本集随机选取出第一未标记样本集和第二未标记样本集；通过所述第一回归模型根据所述第一已标记样本集对所述第一未标记样本集进行标记，并从所述第一未标记样本集中选取标记置信度最高的样本加入所述第二已标记样本集；通过所述第二回归模型根据所述第二已标记样本集对所述第二未标记样本集进行标记，并从所述第二未标记样本集中选取标记置信度最高的样本加入所述第一已标记样本集；更新所述第一已标记样本集、第二已标记样本集、第一未标记样本集以及第二未标记样本集，并重新训练所述第一回归模型与第二回归模型直至所述第一已标记样本集与第二已标记样本集不再变化，得到目标第一回归模型与目标第二回归模型。
此外，为实现上述目的，本发明还提出一种土壤重金属污染评估设备，所述土壤重金属污染评估设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土壤重金属污染评估程序，所述土壤重金属污染评估程序配置为实现如上文所述的土壤重金属污染评估方法的步骤。
由于本土壤重金属污染评估设备采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有土壤重金属污染评估程序，所述土壤重金属污染评估程序被处理器执行时实现如上文所述的土壤重金属污染评估方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的土壤重金属污染评估方法，此处不再赘述。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种土壤重金属污染评估方法，其特征在于，所述方法包括：
基于改进后的多核支持向量机创建重金属含量预测模型，其中，所述改进后的多核支持向量机为基于多核支持向量机选取最优权系数、最优函数宽度及最优惩罚系数的多核函数创建的；
通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；
通过所述重金属含量预测模型对所述评估结果进行可视化展示。
2.如权利要求1所述的方法，其特征在于，所述基于改进后的多核支持向量机创建重金属含量预测模型，包括：
获取多核支持向量机，其中，所述多核支持向量机的核函数为多核函数；
获取所述多核函数的权系数、函数宽度及惩罚系数均为最优时的单一函数组合，得到最优权系数、最优函数宽度及最优惩罚系数；
将所述最优权系数、最优函数宽度及最优惩罚系数的多核函数的多核支持向量机作为改进后的多核支持向量机；
基于所述改进后的多核支持向量机创建重金属含量预测模型。
3.如权利要求2所述的方法，其特征在于，所述获取多核支持向量机包括：
获取传统支持向量机，其中，所述传统支持向量机的核函数为单一核函数；
获取多核函数，其中，所述多核函数由若干数量的单一核函数组成；
将所述传统支持向量机中的单一核函数替换为所述多核函数，得到多核支持向量机。
4.如权利要求1所述的方法，其特征在于，所述通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果，包括：
获取已标记样本集与未标记样本集，其中，所述已标记样本集中采样点地理位置信息、功能区信息及其对应的土壤重金属含量值均为已知，所述未标记样本集中采样点地理位置信息及功能区信息已知，对应的土壤重金属含量信息未知；
将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量；
通过所述重金属含量预测模型根据所述已标记样本集与未标记样本集中采样点的土壤重金属含量，对目标评估区域的土壤重金属污染风险等级进行评估，得到评估结果。
5.如权利要求4所述的方法，其特征在于，所述获取已标记样本集与未标记样本集，包括
获取所述目标评估区域的采样点，并根据所述目标评估区域的采样点得到已标记样本集；
获取所述目标评估区域的未采样点，并根据所述目标评估区域的未采样点得到已标记样本集。
6.如权利要求4所述的方法，其特征在于，所述重金属含量预测模型包括第一回归模型与第二回归模型，其中，所述第一回归模型与第二回归模型的初始化参数不同；
所述将所述已标记样本集与未标记样本集输入所述重金属含量预测模型，通过所述重金属含量预测模型预测所述未标记样本集中采样点的土壤重金属含量，包括：
通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型；
根据所述目标第一回归模型与目标第二回归模型分别对所述未标记样本集中采样点的土壤重金属含量进行预测；
将所述目标第一回归模型与目标第二回归模型的预测结果的平均值作为标记样本集中采样点的土壤重金属含量。
7.如权利要求6所述的方法，其特征在于，所述通过所述已标记样本集与未标记样对所述第一回归模型与目标第二回归模型进行训练，得到目标第一回归模型与目标第二回归模型，包括：
通过所述已标记样本集对所述第一回归模型与第二回归模型进行初始化训练，得到训练后的第一回归模型与训练后的第二回归模型；
从所述已标记样本集随机选取出第一已标记样本集和第二已标记样本集，从所述未标记样本集随机选取出第一未标记样本集和第二未标记样本集；
通过所述第一回归模型根据所述第一已标记样本集对所述第一未标记样本集进行标记，并从所述第一未标记样本集中选取标记置信度最高的样本加入所述第二已标记样本集；
通过所述第二回归模型根据所述第二已标记样本集对所述第二未标记样本集进行标记，并从所述第二未标记样本集中选取标记置信度最高的样本加入所述第一已标记样本集；
更新所述第一已标记样本集、第二已标记样本集、第一未标记样本集以及第二未标记样本集，并重新训练所述第一回归模型与第二回归模型直至所述第一已标记样本集与第二已标记样本集不再变化，得到目标第一回归模型与目标第二回归模型。
8.一种土壤重金属污染评估装置，其特征在于，所述土壤重金属污染评估装置包括：
创建模块，用于基于改进后的多核支持向量机创建重金属含量预测模型，其中，所述改进后的多核支持向量机为基于多核支持向量机选取最优权系数、最优函数宽度及最优惩罚系数的多核函数创建的；
评估模块，用于通过所述重金属含量预测模型进行土壤重金属污染风险等级评估，得到评估结果；
展示模块，用于通过所述重金属含量预测模型对所述评估结果进行可视化展示。
9.一种土壤重金属污染评估设备，其特征在于，所述土壤重金属污染评估设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土壤重金属污染评估程序，所述土壤重金属污染评估程序配置为实现如权利要求1至7中任一项所述的土壤重金属污染评估方法。
10.一种存储介质，其特征在于，所述存储介质上存储有土壤重金属污染评估程序，所述土壤重金属污染评估程序被处理器执行时实现如权利要求1至7中任一项所述的土壤重金属污染评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310309638.2A CN116433017A (zh) | 2023-03-27 | 2023-03-27 | 土壤重金属污染评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310309638.2A CN116433017A (zh) | 2023-03-27 | 2023-03-27 | 土壤重金属污染评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116433017A true CN116433017A (zh) | 2023-07-14 |
Family
ID=87090029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310309638.2A Pending CN116433017A (zh) | 2023-03-27 | 2023-03-27 | 土壤重金属污染评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116433017A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787570A (zh) * | 2024-02-26 | 2024-03-29 | 山东公用环保科技集团有限公司 | 一种水环境重金属污染综合评价方法及系统 |
-
2023
- 2023-03-27 CN CN202310309638.2A patent/CN116433017A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787570A (zh) * | 2024-02-26 | 2024-03-29 | 山东公用环保科技集团有限公司 | 一种水环境重金属污染综合评价方法及系统 |
| CN117787570B (zh) * | 2024-02-26 | 2024-05-17 | 山东公用环保科技集团有限公司 | 一种水环境重金属污染综合评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eseye et al. | Machine learning based integrated feature selection approach for improved electricity demand forecasting in decentralized energy systems | |
| He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
| Han et al. | Joint air quality and weather prediction based on multi-adversarial spatiotemporal networks | |
| Khajavi et al. | Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms | |
| Li et al. | Experiences and issues of using cellular automata for assisting urban and regional planning in China | |
| Tiyasha et al. | Functionalization of remote sensing and on-site data for simulating surface water dissolved oxygen: Development of hybrid tree-based artificial intelligence models | |
| Doherty et al. | Matching seed to site by climate similarity: techniques to prioritize plant materials development and use in restoration | |
| Ghaemi et al. | LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran | |
| Normand et al. | Demography as the basis for understanding and predicting range dynamics | |
| Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
| Sulkava et al. | Assessing and improving the representativeness of monitoring networks: The European flux tower network example | |
| Yao et al. | Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China | |
| CN104834944B (zh) | 一种基于协同训练的城市区域空气质量估计方法 | |
| Casallas et al. | Long short-term memory artificial neural network approach to forecast meteorology and PM 2.5 local variables in Bogotá, Colombia | |
| CN113222316A (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 | |
| Tariq et al. | A series of spatio-temporal analyses and predicting modeling of land use and land cover changes using an integrated Markov chain and cellular automata models | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
| CN116433017A (zh) | 土壤重金属污染评估方法、装置、设备及存储介质 | |
| Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
| Cabaneros et al. | Methods used for handling and quantifying model uncertainty of artificial neural network models for air pollution forecasting | |
| Van Der Pas et al. | Exploratory MCDA for handling deep uncertainties: the case of intelligent speed adaptation implementation | |
| Kim et al. | Machine learning application to spatio-temporal modeling of urban growth | |
| Tepe et al. | Spatio-temporal modeling of parcel-level land-use changes using machine learning methods | |
| CN110263250A (zh) | 一种推荐模型的生成方法及装置 |
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 |