CN117172994B - 一种污染土壤的微生物联合修复方案推荐方法及系统 - Google Patents
一种污染土壤的微生物联合修复方案推荐方法及系统 Download PDFInfo
- Publication number
- CN117172994B CN117172994B CN202311449350.1A CN202311449350A CN117172994B CN 117172994 B CN117172994 B CN 117172994B CN 202311449350 A CN202311449350 A CN 202311449350A CN 117172994 B CN117172994 B CN 117172994B
- Authority
- CN
- China
- Prior art keywords
- repair
- pollution
- acquiring
- repairing
- nodes
- 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
- 244000005700 microbiome Species 0.000 title claims abstract description 128
- 239000002689 soil Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008439 repair process Effects 0.000 claims abstract description 205
- 238000005192 partition Methods 0.000 claims abstract description 99
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 36
- 231100000719 pollutant Toxicity 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 17
- 230000028327 secretion Effects 0.000 claims abstract description 11
- 238000000638 solvent extraction Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 70
- 230000007613 environmental effect Effects 0.000 claims description 45
- 230000004083 survival effect Effects 0.000 claims description 26
- 230000000813 microbial effect Effects 0.000 claims description 20
- 238000005067 remediation Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 17
- 239000000654 additive Substances 0.000 claims description 14
- 230000000996 additive effect Effects 0.000 claims description 13
- 238000003900 soil pollution Methods 0.000 claims description 13
- 238000011835 investigation Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 210000000416 exudates and transudate Anatomy 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims 5
- 239000000356 contaminant Substances 0.000 claims 2
- 238000003860 storage Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000002144 chemical decomposition reaction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000002906 microbiologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910019142 PO4 Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002738 chelating agent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007952 growth promoter Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种污染土壤的微生物联合修复方案推荐方法及系统，包括：获取目标区域主要污染物的污染特征评估目标区域的污染状况；将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，得到各分区污染土壤的植物‑微生物联合修复方案；监测目标区域各分区的修复效果进行修复方案的补偿修正。本发明根据污染土壤的污染特征进行植物‑微生物联合修复方案的推荐，利用植物及微生物的相互作用，强化了污染修复效果，并且合适的联合修复方案可以大大缩短修复周期，避免发生二次污染。
Description
技术领域
本发明涉及微生物修复技术领域，更具体的，涉及一种污染土壤的微生物联合修复方案推荐方法及系统。
背景技术
近年来城市化进程的广泛推进，土壤盐碱化、重金属污染等土壤污染问题日渐凸显。土壤化学退化问题严重威胁了人类生存的基础环境，已成为当前面临的严重的全球性问题之一。为增加粮食产量、减缓生物多样性下降速度以及遏制气候变化，逆转全球土壤化学退化趋势势在必行。土壤是一切生命活动的载体,一旦土壤被污染,将会对人类和生态环境带来巨大的危害,
土壤微生物修复技术是一种利用土著微生物或人工驯化的具有特定功能的微生物，在适宜环境条件下，通过自身的代谢作用，降低土壤中有害污染物活性或降解成无害物质的修复技术，其中原位微生物修复不需将污染土壤搬离现场，直接向污染土壤投放N、P等营养物质和供氧，促进土壤中土著微生物或特异功能微生物的代谢活性，降解污染物。因此微生物修复是一种环境友好且经济有效的修复策略，逐渐成为改良与修复化学退化土壤的重要方法。特别是植物-微生物联合修复能够弥补单一修复方法的不足，显著提高化学退化土壤的修复效率。而在土壤微生物修复中，如何通过土壤的理化性质及污染评估结果匹配合适的联合修复方案是亟需解决的问题。
发明内容
为了解决上述技术问题，本发明提出了涉及一种污染土壤的微生物联合修复方案推荐方法及系统。
本发明第一方面提供了一种污染土壤的微生物联合修复方案推荐方法，包括：
获取目标区域污染土壤的土壤理化性质，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况；
根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，根据所述影响程度获取各分区污染土壤的植物-微生物联合修复方案；
监测目标区域各分区在对应植物-微生物联合修复方案的修复效果，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正。
本方案中，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况，具体为：
获取目标区域的污染源分布，基于所述污染源分布利用随机布点法进行土壤采样，通过土壤状况调查获取土壤的理化性质，并根据污染源对应的污染物类别获取污染指标；
根据所述污染指标获取污染调查参数，并基于所述污染调查参数进行污染种类的定量分析，将所述污染调查参数进行标准化处理，利用主成分分析获取各主成分的综合得分，进行排序后选预设数量的主成分确定污染种类；
根据所述污染种类获取目标区域的主要污染物，获取主要污染物的浓度分布，通过不同布点位置的浓度信息获取污染相关性，根据所述浓度分布及污染相关性生成主要污染物的污染特征；
通过所述污染特征设置不同布点位置的污染标签，根据污染标签进行可视化标注获取目标区域的污染状况。
本方案中，根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，具体为：
获取各布点位置的预设区域范围，根据各布点区域的污染标签计算不同布点区域之间的相似度，当所述相似度大于预设相似度阈值时，将两布点区域的归为同一类别区域；
遍历目标区域内所有布点区域，直到所有布点区域分类完成，生成不同的类别分区，在所述类别分区中获取各布点位置的土壤理化性质，根据同一类别分区中不同布点位置的土壤理化性质偏差对所述类别分区进行修正；
获取修正后类别分区中各布点位置污染标签对应污染特征的平均值作为区域污染特性，另外获取各类别分区中的植被特征，基于所述植被特征及土壤理化性质生成环境特征。
本方案中，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物，具体为：
获取污染土壤的微生物修复及植物修复实例，提取实例中的实体及实体之间关系利用知识图卷积神经网络构建知识图谱并进行表示学习，根据各类别分区的区域污染特性及环境特征在所述知识图谱中进行定位获取相似节点；
根据知识图谱的拓扑结构获取相似节点与修复微生物节点及修复植物节点的交互关系，根据历史交互次数计算节点及交互关系的分数，利用所述分数获取相似节点对修复微生物节点及修复植物节点的偏好程度；
获取修复微生物节点及修复植物节点的边结构数量，根据所述边结构数量计算与最大可能连接数的比值，通过所述比值表征修复微生物节点及修复植物节点的重要程度；
引入注意力机制对所述节点对应的偏好程度及重要程度进行加权，获取相似节点对应的邻居节点集合，根据所述邻居节点集合通过邻居聚合更新各类别分区对应节点与修复微生物节点及修复植物节点的嵌入表示；
计算各类别分区特征向量与微生物特征向量及修复植物特征向量的点积，根据所述点积进行排序，选取适应于各类别分区的预设数量的修复微生物及修复植物。
本方案中，获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，具体为：
获取不同类别分区对应修复微生物生存状况的影响因素，基于不同分区的环境特征筛选各类别分区的影响因素，通过所述影响因素获取各类别分区对应的参数特征；
将所述参数特征进行标准化处理后生成各参数特征的协方差矩阵，将所述协方差矩阵进行特征串联，并根据修复微生物的种类信息与特征串联矩阵进行匹配；
根据各类别分区中不同种类修复微生物的特征串联矩阵基于预设初始菌落丰度预测对应修复微生物的生存状况；
基于大数据方法提取各类别分区中不同适生修复植物的根系分泌物与不同微生物菌落丰度分布的相关性，根据各类别分区的可种植面积与预设种植密度结合相关性生成权重信息；
根据不同种类修复微生物的预测生存状况结合对应权重信息生成最终生存状况，将所述最终生存状况与初始菌落丰度的丰度偏差生成不同种类修复微生物的丰度影响程度；
提取丰度影响程度最高的修复植物及修复微生物组合生成各分区污染土壤的植物-微生物联合修复方案。
本方案中，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正，具体为：
通过土壤污染监测获取各类别分区中主要污染物在预设时间段后的浓度分布，生成各类别分区的污染修复向量，根据类别分区对应植物-微生物联合修复方案里历史修复实例获取预设时间段的平均污染修复数据；
通过所述平均污染修复数据构建污染修复基准向量，获取污染修复向量与污染修复基准向量的比值，利用所述比值对所述污染修复基准向量进行加权生成修复效果评估向量；
获取所述污染修复向量与所述修复效果评估向量的向量残差，通过所述向量残差判断修复方案的适应性，当所述适应性小于预设适应性阈值时，则对类别分区进行标记，对修复方案进行调整；
提取污染修复基准向量对应的基准环境特征，获取标记类别分区的环境特征与所述基准环境特征的环境条件偏差，根据所述环境条件偏差获取适应的外源添加物进行修复方案的补偿修正。
本发明第二方面还提供了一种污染土壤的微生物联合修复方案推荐系统，该系统包括：存储器、处理器，所述存储器中包括污染土壤的微生物联合修复方案推荐方法程序，所述污染土壤的微生物联合修复方案推荐方法程序被所述处理器执行时实现如下步骤：
获取目标区域污染土壤的土壤理化性质，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况；
根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，根据所述影响程度获取各分区污染土壤的植物-微生物联合修复方案；
监测目标区域各分区在对应植物-微生物联合修复方案的修复效果，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正。
本发明公开了一种污染土壤的微生物联合修复方案推荐方法及系统，包括：获取目标区域主要污染物的污染特征评估目标区域的污染状况；将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，得到各分区污染土壤的植物-微生物联合修复方案；监测目标区域各分区的修复效果进行修复方案的补偿修正。本发明根据污染土壤的污染特征进行植物-微生物联合修复方案的推荐，利用植物及微生物的相互作用，强化了污染修复效果，并且合适的联合修复方案可以大大缩短修复周期，避免发生二次污染。
附图说明
图1示出了本发明一种污染土壤的微生物联合修复方案推荐方法的流程图；
图2示出了本发明获取各分区的适生的修复植物及修复微生物的流程图；
图3示出了本发明获取根系分泌物对修复微生物的丰度影响程度的流程图；
图4示出了本发明一种污染土壤的微生物联合修复方案推荐系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种污染土壤的微生物联合修复方案推荐方法的流程图。
如图1所示，本发明第一方面提供了一种污染土壤的微生物联合修复方案推荐方法，包括：
S102，获取目标区域污染土壤的土壤理化性质，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况；
S104，根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；
S106，获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，根据所述影响程度获取各分区污染土壤的植物-微生物联合修复方案；
S108，监测目标区域各分区在对应植物-微生物联合修复方案的修复效果，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正。
需要说明的是，获取目标区域的污染源分布，基于所述污染源分布利用随机布点法、边缘布点法及重点布点法等进行土壤采样，通过土壤状况调查获取土壤的理化性质，并根据污染源对应的污染物类别获取污染指标；根据所述污染指标获取污染调查参数，并基于所述污染调查参数进行污染种类的定量分析，将所述污染调查参数进行标准化处理，利用主成分分析获取各主成分的综合得分，进行排序后选预设数量的主成分确定污染种类；根据所述污染种类获取目标区域的主要污染物，获取主要污染物的浓度分布，通过不同布点位置的浓度信息利用皮尔逊相关分析、斯皮尔曼相关分析等方法获取污染相关性，根据所述浓度分布及污染相关性生成主要污染物的污染特征；通过所述污染特征设置不同布点位置的污染标签，根据污染标签进行可视化标注获取目标区域的污染状况。
需要说明的是，获取各布点位置的预设区域范围，根据各布点区域的污染标签计算不同布点区域之间的相似度，当所述相似度大于预设相似度阈值时，将两布点区域的归为同一类别区域；遍历目标区域内所有布点区域，直到所有布点区域分类完成，生成不同的类别分区，在所述类别分区中获取各布点位置的土壤理化性质，根据同一类别分区中不同布点位置的土壤理化性质偏差对所述类别分区进行修正；获取修正后类别分区中各布点位置污染标签对应污染特征的平均值作为区域污染特性，另外获取各类别分区中的植被种类、植被分布等植被特征，基于所述植被特征及土壤理化性质生成环境特征。
图2示出了本发明获取各分区的适生的修复植物及修复微生物的流程图。
根据本发明实施例，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物，具体为：
S202，获取污染土壤的微生物修复及植物修复实例，提取实例中的实体及实体之间关系利用知识图卷积神经网络构建知识图谱并进行表示学习，根据各类别分区的区域污染特性及环境特征在所述知识图谱中进行定位获取相似节点；
S204，根据知识图谱的拓扑结构获取相似节点与修复微生物节点及修复植物节点的交互关系，根据历史交互次数计算节点及交互关系的分数，利用所述分数获取相似节点对修复微生物节点及修复植物节点的偏好程度；
S206，获取修复微生物节点及修复植物节点的边结构数量，根据所述边结构数量计算与最大可能连接数的比值，通过所述比值表征修复微生物节点及修复植物节点的重要程度；
S208，引入注意力机制对所述节点对应的偏好程度及重要程度进行加权，获取相似节点对应的邻居节点集合，根据所述邻居节点集合通过邻居聚合更新各类别分区对应节点与修复微生物节点及修复植物节点的嵌入表示；
S210，计算各类别分区特征向量与微生物特征向量及修复植物特征向量的点积，根据所述点积进行排序，选取适应于各类别分区的预设数量的修复微生物及修复植物。
需要说明的是，获取污染土壤的微生物修复及植物修复实例，提取实例中的污染特征、涉及的修复微生物及修复植物、污染修复方案特征等实体及实体之间的关系组建三元组，利用知识图卷积神经网络构建相关的知识图谱，根据历史交互次数计算节点及交互关系的分数考虑了污染特征对修复微生物或修复植物的偏好，另外通过统计与节点直接相连的节点数量之和获取修复微生物节点及修复植物节点的边结构数量，根据所述边结构数量计算与最大可能连接数的比值，进行归一化处理后获取节点的重要程度，根据节点的重要程度及偏好程度进行邻居采样，获取相似节点的邻域节点集合。另外，知识图卷积神经网络主要由卷积层、池化层和全连接层组成，利用遗传算法或粒子群算法对知识图卷积神经网络的网络结构进行寻优，减少了模型构造时间，提高了预测准确性。
图3示出了本发明获取根系分泌物对修复微生物的丰度影响程度的流程图。
根据本发明实施例，获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，具体为：
S302，获取不同类别分区对应修复微生物生存状况的影响因素，基于不同分区的环境特征筛选各类别分区的影响因素，通过所述影响因素获取各类别分区对应的参数特征；
S304，将所述参数特征进行标准化处理后生成各参数特征的协方差矩阵，将所述协方差矩阵进行特征串联，并根据修复微生物的种类信息与特征串联矩阵进行匹配；
S306，根据各类别分区中不同种类修复微生物的特征串联矩阵基于预设初始菌落丰度预测对应修复微生物的生存状况；
S308，基于大数据方法提取各类别分区中不同适生修复植物的根系分泌物与不同微生物菌落丰度分布的相关性，根据各类别分区的可种植面积与预设种植密度结合相关性生成权重信息；
S310，根据不同种类修复微生物的预测生存状况结合对应权重信息生成最终生存状况，将所述最终生存状况与初始菌落丰度的丰度偏差生成不同种类修复微生物的丰度影响程度；
S312，提取丰度影响程度最高的修复植物及修复微生物组合生成各分区污染土壤的植物-微生物联合修复方案。
需要说明的是，通过土壤污染监测获取各类别分区中主要污染物在预设时间段后的浓度分布，生成各类别分区的污染修复向量，根据类别分区对应植物-微生物联合修复方案里历史修复实例获取预设时间段的平均污染修复数据；通过所述平均污染修复数据构建污染修复基准向量，获取污染修复向量与污染修复基准向量的比值，利用所述比值对所述污染修复基准向量进行加权生成修复效果评估向量；获取所述污染修复向量与所述修复效果评估向量的向量残差，通过所述向量残差判断修复方案的适应性，当所述适应性小于预设适应性阈值时，则对类别分区进行标记，对修复方案进行调整；提取污染修复基准向量对应的基准环境特征，获取标记类别分区的环境特征与所述基准环境特征的环境条件偏差，根据所述环境条件偏差获取适应的外源添加物例如有机酸、螯合剂、促生剂、肥料等或改性材料例如生物炭、有机固体、磷酸盐副产物等进行修复方案的补偿修正。
基于补偿修正后植物-微生物联合修复方案提取图结构，根据提取的图结构对相关知识图谱进行误差修正，优化对应类别分区对修复植物及修复微生物的偏好；通过优化后的偏好结合各类别分区的污染区域特性及环境特征构建目标区域的个性化数据库，根据数据库中的个性化数据进行学习，对知识图卷积神经网络进行补偿训练，使得推荐的植物-微生物联合修复方案一次性符合各类别分区的预期修复效果。
图4示出了本发明一种污染土壤的微生物联合修复方案推荐系统的框图。
本发明第二方面还提供了一种污染土壤的微生物联合修复方案推荐系统4，该系统包括：存储器41、处理器42，所述存储器中包括污染土壤的微生物联合修复方案推荐方法程序，所述污染土壤的微生物联合修复方案推荐方法程序被所述处理器执行时实现如下步骤：
获取目标区域污染土壤的土壤理化性质，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况；
根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，根据所述影响程度获取各分区污染土壤的植物-微生物联合修复方案；
监测目标区域各分区在对应植物-微生物联合修复方案的修复效果，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正。
需要说明的是，获取污染土壤的微生物修复及植物修复实例，提取实例中的实体及实体之间关系利用知识图卷积神经网络构建知识图谱并进行表示学习，根据各类别分区的区域污染特性及环境特征在所述知识图谱中进行定位获取相似节点；根据知识图谱的拓扑结构获取相似节点与修复微生物节点及修复植物节点的交互关系，根据历史交互次数计算节点及交互关系的分数，利用所述分数获取相似节点对修复微生物节点及修复植物节点的偏好程度；获取修复微生物节点及修复植物节点的边结构数量，根据所述边结构数量计算与最大可能连接数的比值，通过所述比值表征修复微生物节点及修复植物节点的重要程度；引入注意力机制对所述节点对应的偏好程度及重要程度进行加权，获取相似节点对应的邻居节点集合，根据所述邻居节点集合通过邻居聚合更新各类别分区对应节点与修复微生物节点及修复植物节点的嵌入表示；计算各类别分区特征向量与微生物特征向量及修复植物特征向量的点积，根据所述点积进行排序，选取适应于各类别分区的预设数量的修复微生物及修复植物。
需要说明的是，获取不同类别分区对应修复微生物生存状况的影响因素，基于不同分区的环境特征筛选各类别分区的影响因素，通过所述影响因素获取各类别分区对应的参数特征；将所述参数特征进行标准化处理后生成各参数特征的协方差矩阵，将所述协方差矩阵进行特征串联，并根据修复微生物的种类信息与特征串联矩阵进行匹配；根据各类别分区中不同种类修复微生物的特征串联矩阵基于预设初始菌落丰度预测对应修复微生物的生存状况；基于大数据方法提取各类别分区中不同适生修复植物的根系分泌物与不同微生物菌落丰度分布的相关性，根据各类别分区的可种植面积与预设种植密度结合相关性生成权重信息；根据不同种类修复微生物的预测生存状况结合对应权重信息生成最终生存状况，将所述最终生存状况与初始菌落丰度的丰度偏差生成不同种类修复微生物的丰度影响程度；提取丰度影响程度最高的修复植物及修复微生物组合生成各分区污染土壤的植物-微生物联合修复方案。
需要说明的是，通过土壤污染监测获取各类别分区中主要污染物在预设时间段后的浓度分布，生成各类别分区的污染修复向量，根据类别分区对应植物-微生物联合修复方案里历史修复实例获取预设时间段的平均污染修复数据；通过所述平均污染修复数据构建污染修复基准向量，获取污染修复向量与污染修复基准向量的比值，利用所述比值对所述污染修复基准向量进行加权生成修复效果评估向量；获取所述污染修复向量与所述修复效果评估向量的向量残差，通过所述向量残差判断修复方案的适应性，当所述适应性小于预设适应性阈值时，则对类别分区进行标记，对修复方案进行调整；提取污染修复基准向量对应的基准环境特征，获取标记类别分区的环境特征与所述基准环境特征的环境条件偏差，根据所述环境条件偏差获取适应的外源添加物进行修复方案的补偿修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括污染土壤的微生物联合修复方案推荐方法程序，所述污染土壤的微生物联合修复方案推荐方法程序被处理器执行时，实现如上述任一项所述的污染土壤的微生物联合修复方案推荐方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种污染土壤的微生物联合修复方案推荐方法，其特征在于，包括以下步骤：
获取目标区域污染土壤的土壤理化性质，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况；
根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，根据所述影响程度获取各分区污染土壤的植物-微生物联合修复方案；
监测目标区域各分区在对应植物-微生物联合修复方案的修复效果，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正；
利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物，具体为：
获取污染土壤的微生物修复及植物修复实例，提取实例中的实体及实体之间关系利用知识图卷积神经网络构建知识图谱并进行表示学习，根据各类别分区的区域污染特性及环境特征在所述知识图谱中进行定位获取相似节点；
根据知识图谱的拓扑结构获取相似节点与修复微生物节点及修复植物节点的交互关系，根据历史交互次数计算节点及交互关系的分数，利用所述分数获取相似节点对修复微生物节点及修复植物节点的偏好程度；
获取修复微生物节点及修复植物节点的边结构数量，根据所述边结构数量计算与最大可能连接数的比值，通过所述比值表征修复微生物节点及修复植物节点的重要程度；
引入注意力机制对所述节点对应的偏好程度及重要程度进行加权，获取相似节点对应的邻居节点集合，根据所述邻居节点集合通过邻居聚合更新各类别分区对应节点与修复微生物节点及修复植物节点的嵌入表示；
计算各类别分区特征向量与微生物特征向量及修复植物特征向量的点积，根据所述点积进行排序，选取适应于各类别分区的预设数量的修复微生物及修复植物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，具体为：
获取不同类别分区对应修复微生物生存状况的影响因素，基于不同分区的环境特征筛选各类别分区的影响因素，通过所述影响因素获取各类别分区对应的参数特征；
将所述参数特征进行标准化处理后生成各参数特征的协方差矩阵，将所述协方差矩阵进行特征串联，并根据修复微生物的种类信息与特征串联矩阵进行匹配；
根据各类别分区中不同种类修复微生物的特征串联矩阵基于预设初始菌落丰度预测对应修复微生物的生存状况；
基于大数据方法提取各类别分区中不同适生修复植物的根系分泌物与不同微生物菌落丰度分布的相关性，根据各类别分区的可种植面积与预设种植密度结合相关性生成权重信息；
根据不同种类修复微生物的预测生存状况结合对应权重信息生成最终生存状况，将所述最终生存状况与初始菌落丰度的丰度偏差生成不同种类修复微生物的丰度影响程度；
提取丰度影响程度最高的修复植物及修复微生物组合生成各分区污染土壤的植物-微生物联合修复方案。
2.根据权利要求1所述的一种污染土壤的微生物联合修复方案推荐方法，其特征在于，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况，具体为：
获取目标区域的污染源分布，基于所述污染源分布利用随机布点法进行土壤采样，通过土壤状况调查获取土壤的理化性质，并根据污染源对应的污染物类别获取污染指标；
根据所述污染指标获取污染调查参数，并基于所述污染调查参数进行污染种类的定量分析，将所述污染调查参数进行标准化处理，利用主成分分析获取各主成分的综合得分，进行排序后选预设数量的主成分确定污染种类；
根据所述污染种类获取目标区域的主要污染物，获取主要污染物的浓度分布，通过不同布点位置的浓度信息获取污染相关性，根据所述浓度分布及污染相关性生成主要污染物的污染特征；
通过所述污染特征设置不同布点位置的污染标签，根据污染标签进行可视化标注获取目标区域的污染状况。
3.根据权利要求1所述的一种污染土壤的微生物联合修复方案推荐方法，其特征在于，根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，具体为：
获取各布点位置的预设区域范围，根据各布点区域的污染标签计算不同布点区域之间的相似度，当所述相似度大于预设相似度阈值时，将两布点区域的归为同一类别区域；
遍历目标区域内所有布点区域，直到所有布点区域分类完成，生成不同的类别分区，在所述类别分区中获取各布点位置的土壤理化性质，根据同一类别分区中不同布点位置的土壤理化性质偏差对所述类别分区进行修正；
获取修正后类别分区中各布点位置污染标签对应污染特征的平均值作为区域污染特性，另外获取各类别分区中的植被特征，基于所述植被特征及土壤理化性质生成环境特征。
4.根据权利要求1所述的一种污染土壤的微生物联合修复方案推荐方法，其特征在于，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正，具体为：
通过土壤污染监测获取各类别分区中主要污染物在预设时间段后的浓度分布，生成各类别分区的污染修复向量，根据类别分区对应植物-微生物联合修复方案里历史修复实例获取预设时间段的平均污染修复数据；
通过所述平均污染修复数据构建污染修复基准向量，获取污染修复向量与污染修复基准向量的比值，利用所述比值对所述污染修复基准向量进行加权生成修复效果评估向量；
获取所述污染修复向量与所述修复效果评估向量的向量残差，通过所述向量残差判断修复方案的适应性，当所述适应性小于预设适应性阈值时，则对类别分区进行标记，对修复方案进行调整；
提取污染修复基准向量对应的基准环境特征，获取标记类别分区的环境特征与所述基准环境特征的环境条件偏差，根据所述环境条件偏差获取适应的外源添加物进行修复方案的补偿修正。
5.一种污染土壤的微生物联合修复方案推荐系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括污染土壤的微生物联合修复方案推荐方法程序，所述污染土壤的微生物联合修复方案推荐方法程序被所述处理器执行时实现如下步骤：
获取目标区域污染土壤的土壤理化性质，根据所述土壤理化性质及土壤污染监测获取目标区域的主要污染物，获取所述主要污染物的污染特征评估目标区域的污染状况；
根据所述污染状况将目标区域进行分区，获取各分区的区域污染特性及环境特征，利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，根据所述影响程度获取各分区污染土壤的植物-微生物联合修复方案；
监测目标区域各分区在对应植物-微生物联合修复方案的修复效果，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正；
利用知识图谱根据区域污染特性及环境特征获取各分区的适生的修复植物及修复微生物，具体为：
获取污染土壤的微生物修复及植物修复实例，提取实例中的实体及实体之间关系利用知识图卷积神经网络构建知识图谱并进行表示学习，根据各类别分区的区域污染特性及环境特征在所述知识图谱中进行定位获取相似节点；
根据知识图谱的拓扑结构获取相似节点与修复微生物节点及修复植物节点的交互关系，根据历史交互次数计算节点及交互关系的分数，利用所述分数获取相似节点对修复微生物节点及修复植物节点的偏好程度；
获取修复微生物节点及修复植物节点的边结构数量，根据所述边结构数量计算与最大可能连接数的比值，通过所述比值表征修复微生物节点及修复植物节点的重要程度；
引入注意力机制对所述节点对应的偏好程度及重要程度进行加权，获取相似节点对应的邻居节点集合，根据所述邻居节点集合通过邻居聚合更新各类别分区对应节点与修复微生物节点及修复植物节点的嵌入表示；
计算各类别分区特征向量与微生物特征向量及修复植物特征向量的点积，根据所述点积进行排序，选取适应于各类别分区的预设数量的修复微生物及修复植物；
获取不同修复植物的根系分泌物对不同修复微生物的丰度影响程度，具体为：
获取不同类别分区对应修复微生物生存状况的影响因素，基于不同分区的环境特征筛选各类别分区的影响因素，通过所述影响因素获取各类别分区对应的参数特征；
将所述参数特征进行标准化处理后生成各参数特征的协方差矩阵，将所述协方差矩阵进行特征串联，并根据修复微生物的种类信息与特征串联矩阵进行匹配；
根据各类别分区中不同种类修复微生物的特征串联矩阵基于预设初始菌落丰度预测对应修复微生物的生存状况；
基于大数据方法提取各类别分区中不同适生修复植物的根系分泌物与不同微生物菌落丰度分布的相关性，根据各类别分区的可种植面积与预设种植密度结合相关性生成权重信息；
根据不同种类修复微生物的预测生存状况结合对应权重信息生成最终生存状况，将所述最终生存状况与初始菌落丰度的丰度偏差生成不同种类修复微生物的丰度影响程度；
提取丰度影响程度最高的修复植物及修复微生物组合生成各分区污染土壤的植物-微生物联合修复方案。
6.根据权利要求5所述的一种污染土壤的微生物联合修复方案推荐系统，其特征在于，根据所述修复效果判断修复方案的适应性，利用所述适应性推荐外源添加物进行修复方案的补偿修正，具体为：
通过土壤污染监测获取各类别分区中主要污染物在预设时间段后的浓度分布，生成各类别分区的污染修复向量，根据类别分区对应植物-微生物联合修复方案里历史修复实例获取预设时间段的平均污染修复数据；
通过所述平均污染修复数据构建污染修复基准向量，获取污染修复向量与污染修复基准向量的比值，利用所述比值对所述污染修复基准向量进行加权生成修复效果评估向量；
获取所述污染修复向量与所述修复效果评估向量的向量残差，通过所述向量残差判断修复方案的适应性，当所述适应性小于预设适应性阈值时，则对类别分区进行标记，对修复方案进行调整；
提取污染修复基准向量对应的基准环境特征，获取标记类别分区的环境特征与所述基准环境特征的环境条件偏差，根据所述环境条件偏差获取适应的外源添加物进行修复方案的补偿修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449350.1A CN117172994B (zh) | 2023-11-02 | 2023-11-02 | 一种污染土壤的微生物联合修复方案推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449350.1A CN117172994B (zh) | 2023-11-02 | 2023-11-02 | 一种污染土壤的微生物联合修复方案推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172994A CN117172994A (zh) | 2023-12-05 |
| CN117172994B true CN117172994B (zh) | 2024-01-23 |
Family
ID=88943563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311449350.1A Active CN117172994B (zh) | 2023-11-02 | 2023-11-02 | 一种污染土壤的微生物联合修复方案推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172994B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107066823A (zh) * | 2017-04-18 | 2017-08-18 | 中山大学 | 基于植物、土壤、微生物的重金属污染土壤修复效果综合评价方法 |
| CN114511157A (zh) * | 2022-04-18 | 2022-05-17 | 广东省农业科学院植物保护研究所 | 一种基于蔬菜青枯病防治的微生态调控方法及系统 |
| CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
| CN116629619A (zh) * | 2023-07-25 | 2023-08-22 | 北京建工环境修复股份有限公司 | 一种土壤新污染物赋存状况预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110153213A1 (en) * | 2008-09-29 | 2011-06-23 | Catherine Lynn Buchanan | Method to evaluate plants and soils to optimize conditions for phytoremediation |
| US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
-
2023
- 2023-11-02 CN CN202311449350.1A patent/CN117172994B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107066823A (zh) * | 2017-04-18 | 2017-08-18 | 中山大学 | 基于植物、土壤、微生物的重金属污染土壤修复效果综合评价方法 |
| CN114511157A (zh) * | 2022-04-18 | 2022-05-17 | 广东省农业科学院植物保护研究所 | 一种基于蔬菜青枯病防治的微生态调控方法及系统 |
| CN114707773A (zh) * | 2022-06-06 | 2022-07-05 | 广东省农业科学院植物保护研究所 | 基于深度学习的虫害防治方案生成方法、系统及存储介质 |
| CN116629619A (zh) * | 2023-07-25 | 2023-08-22 | 北京建工环境修复股份有限公司 | 一种土壤新污染物赋存状况预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 土壤污染修复技术研究热点统计与分析;李杰;王新宇;;南方国土资源(第12期);全文 * |
| 植物-微生物联合修复农药污染土壤的技术研究;魏睿;;科技创新导报(第11期);全文 * |
| 植物-根际微生物协同修复有机物污染土壤的研究进展;王梦姣;杨国鹏;乔帅;邓百万;陈文强;;江苏农业科学(第01期);全文 * |
| 石油污染土壤的植物-微生物联合修复研究;冯冬艺;余成洲;白云;;三峡环境与生态(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172994A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hart et al. | Ecological risk to aquatic systems from salinity increases | |
| CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
| CN116384776B (zh) | 基于模糊评价的场地污染评估方法、系统及存储介质 | |
| CN115494047B (zh) | 一种水环境农业污染物的检测方法及系统 | |
| CN116773781B (zh) | 一种用于土壤中全氟化合物的污染分析方法、系统及介质 | |
| CN117171677B (zh) | 基于决策树模型的微生物修复效果评价方法、系统及介质 | |
| CN118229492B (zh) | 一种季节性河流区域黑臭水体全面排查方法及系统 | |
| CN115526298A (zh) | 一种高鲁棒性的大气污染物浓度综合预测方法 | |
| CN117171695A (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
| Harmel et al. | Assessing edge-of-field nutrient runoff from agricultural lands in the United States: How clean is clean enough? | |
| CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及系统 | |
| CN117172994B (zh) | 一种污染土壤的微生物联合修复方案推荐方法及系统 | |
| Pai et al. | A rough set based model in water quality analysis | |
| Qiu et al. | Nutrient enrichment undermines invasion resistance to Spartina alterniflora in a saltmarsh: Insights from modern coexistence theory | |
| CN111553520B (zh) | 基于供应链追溯评价体系的粮食生产优化方法及装置 | |
| Mkonda et al. | The emerging population increase and its environmental challenges and remedies in Iringa Municipal, Tanzania | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
| Thiesing | An evaluation of wetland assessment techniques and their applications to decision making | |
| CN117172991B (zh) | 基于场地污染特征的微生物修复方案推荐方法及系统 | |
| Tumaneng et al. | Modeling species distribution of Shorea guiso (Blanco) Blume and Parashorea malaanonan (Blanco) Merr in Mount Makiling Forest Reserve using Maxent | |
| Wu et al. | A Markov‐based model for predicting the development trend of soil microbial communities in saline‐alkali land in Wudi County | |
| CN117171675B (zh) | 基于多源数据的水环境微生物检测方法、系统及介质 | |
| CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及系统 | |
| CN117172137B (zh) | 基于数字孪生的土壤微生物控制分析方法及系统 | |
| CN113990407B (zh) | 对多氯萘及其同系物的含量及来源进行解析的解析方法 |
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 |