CN117786616B - 一种近海沉积物重金属污染特征确定方法、装置及介质 - Google Patents
一种近海沉积物重金属污染特征确定方法、装置及介质 Download PDFInfo
- Publication number
- CN117786616B CN117786616B CN202410199360.2A CN202410199360A CN117786616B CN 117786616 B CN117786616 B CN 117786616B CN 202410199360 A CN202410199360 A CN 202410199360A CN 117786616 B CN117786616 B CN 117786616B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- sediment
- data
- pollution
- function
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 189
- 239000013049 sediment Substances 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 68
- 239000002344 surface layer Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 7
- 230000007261 regionalization Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 17
- 238000011160 research Methods 0.000 description 12
- 238000011109 contamination Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 229910052785 arsenic Inorganic materials 0.000 description 3
- 229910052793 cadmium Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007420 reactivation Effects 0.000 description 2
- 239000013558 reference substance Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000616 Ferromanganese Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 231100000693 bioaccumulation Toxicity 0.000 description 1
- 230000009920 chelation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010668 complexation reaction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种近海沉积物重金属污染特征确定方法、装置及介质，涉及重金属污染监督领域；该方法包括：获取目标区域多个站位的目标数据；采用因子克里格分析方法和协同区域化模型，对表层沉积物数据进行不同尺度的空间变化分析，得到对应尺度下的分析数据；采用变差函数分析岩心柱样垂向沉积物数据，获得岩心柱样的自然背景数据；采用线性回归方法利用岩心柱样的自然背景数据构建沉积物重金属区域地球化学背景函数；利用沉积物重金属区域地球化学背景函数计算获得重金属富集程度数据，进而能够确定沉积物重金属的污染特征信息；本发明能够确定近海沉积物重金属污染范围、污染区域与污染程度并提高污染评价的准确性。
Description
技术领域
本发明涉及重金属污染监督领域，特别是涉及一种近海沉积物重金属污染特征确定方法、装置及介质。
背景技术
重金属污染具有毒性、非生物降解性、持久性和生物累积性等特点，而且最终能够通过食物链进入人体造成严重的健康危害，目前已成为全球关注的热点。近海沉积物是重金属的汇，同时也可以重新释放重金属到水体中形成二次污染，对水生系统和人类健康造成更为直接的危害。因此，有效确定近海沉积物重金属污染特征可以为海洋环境管理与治理提供重要科学依据。
一般情况下，通过化学分析测试方法测量获得重金属的含量值，通过采用地质累计指数、污染负荷指数、富集因子等污染指数方法定量确定沉积物中重金属的污染特征等。选取合适的重金属参考背景值是进行重金属污染评价的关键，直接影响了沉积物重金属污染的界定与评价结果。目前主要有三种方法用来确定地球化学背景含量。第一种选择确定的参考值，如平均页岩、上地壳等的重金属含量水平等，然而区域地球化学背景值不同于地球圈层的参考水平，主要依赖于目标区域的地质特征。第二种为地球化学方法，即选取未受到人为活动影响的样品（如深层的岩心样）或者未受到人为活动影响的区域采集的样品作为参考背景，该方法对参考背景的选择存在一定的主观性，尤其是岩心样品重金属也存在沉积后再活化作用的影响；第三种利用统计方法推断表层沉积物中地球化学背景含量，如利用线性回归方法获得背景范围，但其基于自然来源重金属呈正态分布的假设在界定自然来源重金属与人为污染重金属时仍存在局限性。
关于近海沉积物重金属含量，其既包含了自然来源的成分，又包含了人为来源的污染成分；并且由于重金属会与有机物、铁锰氧化物等发生络合和螯合反应，以及重金属的沉积后再活化作用，会造成沉积物中重金属空间垂向变化复杂，使得所测定重金属含量往往很难准确反应实际重金属人为污染与自然变化特征，因此，现有技术中关于重金属人物污染的确定与评价存在局限性。
因此，识别与界定重金属人为污染与自然变化特征对于重金属污染特征的确定至关重要。
发明内容
本发明的目的是提供一种近海沉积物重金属污染特征确定方法、装置及介质，以有效确定重金属污染范围、污染区域与污染程度。
为实现上述目的，本发明提供了如下方案：
一种近海沉积物重金属污染特征确定方法，所述方法包括：
获取目标区域多个站位的目标数据；所述目标数据包括：表层沉积物数据和岩心柱样垂向沉积物数据；所述沉积物数据包括：重金属含量；
采用因子克里格分析方法和协同区域化模型，对所述表层沉积物数据进行不同尺度的空间变化分析，得到对应尺度下的分析数据；所述分析数据包括：重金属含量空间变化信息和区域等值线图；所述协同区域化模型是基于变差函数构建的数学模型；所述变差函数包括：自变差函数和协变差函数；所述金属含量空间变化信息包括：重金属人为污染的空间范围和空间分布数据；
采用所述变差函数分析所述岩心柱样垂向沉积物数据，得到岩心柱样重金属垂向变化特征，获得岩心柱样的自然背景数据；
采用线性回归方法，利用岩心柱样的自然背景数据构建沉积物重金属区域地球化学背景函数；
利用所述沉积物重金属区域地球化学背景函数，计算表层沉积物重金属富集因子，进而得到重金属富集程度数据；
根据所述重金属含量空间变化信息、所述区域等值线图和所述重金属富集程度数据确定沉积物重金属的污染特征信息；所述污染特征信息包括：污染范围、污染区域和污染程度。
可选地，所述协同区域化模型的表达式为：
；
其中，为协同区域化模型的函数矩阵；/>为协变差函数；/>为步长；为空间尺度的数目；/>为空间尺度的序号；/>为在空间尺度/>上的半正定矩阵；为基本变差函数。
可选地，所述沉积物重金属区域地球化学背景函数，具体包括：
；
其中，为重金属元素/>的背景值；/>为归一化元素的含量；/>为回归斜率；/>为回归截距。
可选地，所述表层沉积物重金属富集因子的计算公式为：
；
其中，为表层沉积物中重金属元素/>的含量/>与归一化元素的含量/>的比值；/>为参比物中重金属元素/>的背景值/>与归一化元素的含量/>的比值；/>为表层沉积物中重金属元素/>的富集因子。
可选地，所述协变差函数的表达式，具体包括：
；
其中，为协变差函数；/>为步长；/>为距离为步长/>的数据点对数；为坐标已知的站位数据点位置；/>为数据点位置/>站位处表层沉积物重金属元素的含量值；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值；为数据点位置/>站位处表层沉积物重金属元素/>的含量值；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值。
可选地，所述自变差函数的表达式，具体包括：
；
其中，为自变差函数；/>为距离为步长/>的数据点对数；/>为坐标已知的站位数据点位置；/>为数据点位置/>站位处表层沉积物重金属元素的含量值；为数据点位置/>站位处表层沉积物重金属元素的含量值。
一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述所述近海沉积物重金属污染特征确定方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述近海沉积物重金属污染特征确定方法的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种近海沉积物重金属污染特征确定方法、装置及介质，通过获取目标区域多个站位的目标数据，采用因子克里格分析方法和协同区域化模型，对表层沉积物数据进行不同尺度的空间变化分析，得到对应尺度下的分析数据；采用变差函数分析岩心柱样垂向沉积物数据，得到岩心柱样重金属垂向变化特征，获得岩心柱样的自然背景数据；采用线性回归方法，构建沉积物重金属区域地球化学背景函数；基于重金属区域地球化学背景函数，计算表层沉积物重金属富集因子，进而得到重金属富集程度数据；综合分析表层沉积物对应的重金属含量空间变化信息、区域等值线图和重金属富集程度数据确定表层沉积物重金属的污染特征信息；本发明通过将因子克里格分析、变差函数分析等地统计理论方法与线性回归分析相结合的方式，从表层空间变化、垂向空间变化两个方面综合分析确定重金属的污染信息，使得重金属人为污染与自然背景的识别与界定更具地质意义，因而本发明能够有效的确定重金属污染范围、污染区域和污染程度。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的近海沉积物重金属污染特征确定方法流程示意图。
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。
本发明的目的是提供一种近海沉积物重金属污染特征确定方法、装置及介质，旨在有效确定近海沉积物重金属污染特征，以有效确定重金属污染范围与污染程度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例中的一种近海沉积物重金属污染特征确定方法，该方法包括：
步骤100：获取目标区域多个站位的目标数据。目标数据包括：表层沉积物数据和岩心柱样垂向沉积物数据；沉积物数据包括：重金属含量。
步骤200：采用因子克里格分析方法和协同区域化模型，对表层沉积物数据进行不同尺度的空间变化分析，得到对应尺度下的分析数据。分析数据包括：重金属含量空间变化信息和区域等值线图；协同区域化模型是基于变差函数构建的数学模型；变差函数包括：自变差函数和协变差函数；金属含量空间变化信息包括：重金属人为污染的空间范围和空间分布数据。
具体地，协同区域化模型的表达式为：
。
其中，为协同区域化模型的函数矩阵；/>为协变差函数；/>为步长；为空间尺度的数目；/>为空间尺度的序号；/>为在空间尺度/>上的半正定矩阵；为基本变差函数。
协变差函数的表达式，具体包括：
。
其中，为协变差函数；/>为步长；/>为距离为步长/>的数据点对数；为坐标已知的站位数据点位置；/>为数据点位置/>站位处表层沉积物重金属元素的含量值；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值；为数据点位置/>站位处表层沉积物重金属元素/>的含量值；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值。
自变差函数的表达式，具体包括：
。
其中，为自变差函数；/>为距离为步长/>的数据点对数；/>为坐标已知的站位数据点位置；/>为数据点位置/>站位处表层沉积物重金属元素的含量值；为数据点位置/>站位处表层沉积物重金属元素的含量值。/>为数据点对数的序号。
步骤300：采用变差函数分析岩心柱样垂向沉积物数据，得到岩心柱样重金属垂向变化特征，获得岩心柱样的自然背景数据。
步骤400：采用线性回归方法，利用岩心柱样的自然背景数据构建沉积物重金属区域地球化学背景函数。
具体地，沉积物重金属区域地球化学背景函数，具体包括：
。
其中，为重金属元素/>的背景值；/>为归一化元素的含量；/>为回归斜率；/>为回归截距。
步骤500：利用沉积物重金属区域地球化学背景函数，计算表层沉积物重金属富集因子，进而得到重金属富集程度数据。
具体地，表层沉积物重金属富集因子的计算公式为：
。
其中，为表层沉积物中重金属元素/>的含量/>与归一化元素的含量/>的比值；/>为参比物中重金属元素/>的背景值/>与归一化元素的含量/>的比值；/>为表层沉积物中重金属元素/>的富集因子。
步骤600：根据重金属含量空间变化信息、区域等值线图和重金属富集程度数据确定沉积物重金属的污染特征信息。污染特征信息包括：污染范围、污染区域和污染程度。
简而言之，在实际应用中，该方法的主要实现过程如下：
1.利用因子克里格分析实现表层沉积物人为污染重金属空间变化和自然重金属空间变化的分离。
因子克里格分析（KFA）将多元主成分分析与地统计方法结合起来，通过线性协同区域化模型（LCM）的模拟和克里格插值来归纳各个尺度上的主要特征。
将所有n个变量的n(n+1)/2个自变差和协变差函数模拟为各个尺度上的变差函数的和，并定义为基本函数的线性联合。因此，LCM的矩阵形式为：
。
为协同区域化模型的函数矩阵，是一个/>的对称变差函数矩阵，其对角线和非对角线元素代表了步长为h的自变差函数和协变差函数/>；/>为在空间尺度上的半正定矩阵；/>为基本变差函数。
也就是，是在给定空间尺度/>上的一个对称的/>半正定矩阵，即协同区域化矩阵。其表达式为：
。
利用MatLab算法来分析自变差函数和协变差函数/>，由此可以获得空间结构参数及特征。基本变差函数/>一般根据空间结构进行选择，如球状模型、指数模型、线性模型等。利用Xavier Emery提出的迭代算法来模拟LCM，由此获得协同区域化矩阵。/>为重金属元素/>和重金属元素/>在空间尺度/>上的相关系数。
对每一个尺度上的协同区域化矩阵进行主成分分析（PCA），生成的一系列主成分被称为协同区域化因子，计算不同尺度上的区域化因子得分，利用克里格方法插值绘制等值线图，由此分离出不同尺度主要因子的空间型式。
2.利用变差函数分析沉积柱样重金属，界定沉积物重金属垂向上人为污染影响与自然背景的范围。
自变差函数反映了属性特征随距离的平均变化速率。
协变差函数反映了距离为步长h的两点上两个属性值的平均变化速率。
3.利用线性回归方法，构建沉积物重金属区域地球化学背景函数。
4.计算表层沉积物重金属富集因子，获得表层沉积物重金属的富集特征，即重金属富集程度数据。
5.结合表层沉积物人为污染重金属的空间变化特征，即重金属含量空间变化信息以及区域等值线图，与重金属富集程度数据，确定沉积物重金属的污染范围、污染区域与污染程度。
具体地，本方法将多元主成分分析与地统计方法应用到近海沉积物重金属污染评价中，基于近海海域388个表层沉积物数据和9个岩心柱样垂向沉积物数据，即岩心柱状沉积物样品的重金属浓度等数据资料。
利用多元的因子克里格分析方法分析了研究区表层沉积物数据6种（Cd、Cr、Cu、Zn、Pb和As）重金属元素的空间变化特征，查明各重金属区域上的自相关性、方向性等空间结构特征，构建研究区各重金属线性的协同区域化模型，识别并分离出块金、局部、区域等三种尺度的重金属空间变化，得到分析数据，分别指示了样品误差、人为污染和自然源重金属的变化特征。此时的模型如下。
其中，/>为步长h为0时的块金值。/>和/>分别为局部、区域尺度上重金属元素i和重金属元素j在对应空间尺度上的相关系数。
人为污染的重金属变程为60km，空间变化剧烈且不均匀，其中，发现研究区中沿海地区的某一区域是Cd、Cr、Cu、Pb、Zn和As的可能污染区，另一区域是可能的As污染区。这些污染区域最大的污染范围可达60km，并可能随着海流向海扩散。
自然源的重金属变程范围达180km，空间变化连续且相对均一，可能主要受控于自然的河流输入和古海平面的变化。
利用变差函数分析研究区9个岩心柱样重金属的垂向变化特征，综合分析各柱样6种重金属的变程数据，界定出沉积柱样6种重金属垂向深度剖面上人为影响与自然背景的深度范围，也就是重金属含量空间变化信息，综合变程分别约为70cm-110cm。表1为沉积柱样各重金属浓度变程统计表。
表1 沉积柱样各重金属浓度变程统计表。
利用线性回归方法构建6种沉积物重金属区域地球化学背景函数。
计算各柱样重金属元素与常量元素Al、Fe、Ti、OrgC等的相关关系，选择了与6种重金属具有显著正相关关系的Ti作为归一化元素。以各柱样综合变程深度以深的数据作为自然背景范围数据，利用线性回归方法构建了研究区6种重金属的区域地球化学背景函数，即沉积物重金属区域地球化学背景函数。
表2 重金属元素地球化学背景函数表。
根据各重金属区域对应的地球化学背景，利用沉积物重金属区域地球化学背景函数计算富集因子，进而计算并查明了研究区表层沉积物重金属的富集特征，即重金属富集程度数据。
也就是基于构建的沉积物重金属地球化学背景函数，可以确定研究区各表层沉积物重金属元素的背景值（见表3）。以9个柱样自然背景深度范围内样品作为参比物，以Ti作为归一化元素，将自然背景范围内Ti的平均浓度作为参比物Ti的浓度值，根据富集因子公示计算出各表层样重金属的富集因子（见表3）。
研究区大部分站位6种重金属（As、Cu、Zn、Pb、Cr、Cd）富集因子近似或者接近1，但最大值分别达到了473.91、69.5、84.1、1343.7、251.8、15.7，说明研究区部分站位出现明显的人为污染，大部分站位重金属元素轻微富集无富集，无明显人为污染。
可以看出中度富集（2<EF<5，2级污染）、显著富集（5<EF<20，3级污染）、强烈富集（20<EF<40，4级污染）、极强富集（EF>40，5级污染）的区域主要分布在30米以浅的海域。研究区中另一东北部区域海域富集程度均在显著富集以上，污染等级在3级以上，是可能的重金属人为污染区。
表3 研究区表层沉积物重金属元素背景值（mg/kg）和富集因子（EF）统计特征表。
综合Cd、Cr、Cu、Zn、Pb和As等各重金属的空间结构特征、垂向变化特征和表层沉积物富集特征，也就是根据上述得到的相关数据，分析研究研究区6种重金属的污染范围、污染程度以及污染的空间分布，即污染区域，结合研究区区域背景探讨研究区6种重金属的富集规律并进行污染评价。即，结合研究区区域背景圈划出5个重金属污染区。其富集程度均在中等富集-显著富集以上，重金属污染达3级以上，污染范围为60km内的局部污染。
本发明提供的近海沉积物重金属污染特征确定方法，其优势在于实现沉积物重金属人为污染变化与自然变化的分离，提高重金属污染评价的准确度。
实施例2
一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序以实现实施例1中的近海沉积物重金属污染特征确定方法的步骤。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现实施例1中的近海沉积物重金属污染特征确定方法的步骤。
实施例4
一种计算机设备，该计算机设备可以是数据库。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例1中的近海沉积物重金属污染特征确定方法。
需要说明的是，本发明所涉及的对象信息（包括但不限于对象设备信息、对象个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本发明所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本发明所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种近海沉积物重金属污染特征确定方法，其特征在于，所述方法包括：
获取目标区域多个站位的目标数据；所述目标数据包括：表层沉积物数据和岩心柱样垂向沉积物数据；所述沉积物数据包括：重金属含量；
采用因子克里格分析方法和协同区域化模型，对所述表层沉积物数据进行不同尺度的空间变化分析，得到对应尺度下的分析数据；所述分析数据包括：重金属含量空间变化信息和区域等值线图；所述协同区域化模型是基于变差函数构建的数学模型；所述变差函数包括：自变差函数和协变差函数；所述金属含量空间变化信息包括：重金属人为污染的空间范围和空间分布数据；
采用所述变差函数分析所述岩心柱样垂向沉积物数据，得到岩心柱样重金属垂向变化特征，获得岩心柱样的自然背景数据；
采用线性回归方法，利用岩心柱样的自然背景数据构建沉积物重金属区域地球化学背景函数；
利用所述沉积物重金属区域地球化学背景函数，计算表层沉积物重金属富集因子，进而得到重金属富集程度数据；
根据所述重金属含量空间变化信息、所述区域等值线图和所述重金属富集程度数据确定沉积物重金属的污染特征信息；所述污染特征信息包括：污染范围、污染区域和污染程度；
协同区域化模型的表达式为：
；
其中，为协同区域化模型的函数矩阵；/>为协变差函数；/>为步长；/>为空间尺度的数目；/>为空间尺度的序号；/>为在空间尺度/>上的半正定矩阵；/>为基本变差函数；
所述协变差函数的表达式，具体包括：
；
其中，为协变差函数；/>为步长；/>为距离为步长/>的数据点对数；/>为坐标已知的站位数据点位置；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值；/>为数据点位置/>站位处表层沉积物重金属元素/>的含量值；/>为数据点位置站位处表层沉积物重金属元素/>的含量值；
自变差函数的表达式，具体包括：
；
其中，为自变差函数；/>为距离为步长/>的数据点对数；/>为坐标已知的站位数据点位置；/>为数据点位置/>站位处表层沉积物重金属元素的含量值；/>为数据点位置/>站位处表层沉积物重金属元素的含量值；/>为数据点对数的序号；
所述沉积物重金属区域地球化学背景函数，具体包括：
；
其中，为重金属元素/>的背景值；/>为归一化元素的含量；/>为回归斜率；/>为回归截距；
所述表层沉积物重金属富集因子的计算公式为：
；
其中，为表层沉积物中重金属元素/>的含量/>与归一化元素的含量/>的比值；/>为参比物中重金属元素/>的背景值/>与归一化元素的含量/>的比值；/>为表层沉积物中重金属元素/>的富集因子。
2.一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1中所述近海沉积物重金属污染特征确定方法的步骤。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1中所述近海沉积物重金属污染特征确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199360.2A CN117786616B (zh) | 2024-02-23 | 2024-02-23 | 一种近海沉积物重金属污染特征确定方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199360.2A CN117786616B (zh) | 2024-02-23 | 2024-02-23 | 一种近海沉积物重金属污染特征确定方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117786616A CN117786616A (zh) | 2024-03-29 |
| CN117786616B true CN117786616B (zh) | 2024-05-10 |
Family
ID=90389199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199360.2A Active CN117786616B (zh) | 2024-02-23 | 2024-02-23 | 一种近海沉积物重金属污染特征确定方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786616B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108483647A (zh) * | 2018-05-04 | 2018-09-04 | 滁州学院 | 一种水体中污染物的去除方法及去除装置 |
| CN109308577A (zh) * | 2018-09-12 | 2019-02-05 | 河海大学 | 一种沉积物重金属环境质量评价方法 |
| CN109900682A (zh) * | 2019-03-22 | 2019-06-18 | 临沂大学 | 一种基于富集因子值计算的表层土壤重金属污染来源定量识别方法 |
| CN110969345A (zh) * | 2019-11-20 | 2020-04-07 | 北京淖尔科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
| CN113500091A (zh) * | 2021-08-03 | 2021-10-15 | 天津大学 | 一种重金属污染土壤及地下水的修复系统及修复方法 |
| CN114707376A (zh) * | 2022-03-18 | 2022-07-05 | 国家海洋信息中心 | 一种模拟海底多金属结核赋存分布方法 |
| JP7227439B1 (ja) * | 2021-08-27 | 2023-02-22 | 生態環境部南京環境科学研究所 | 多変数とｐｍｆモデルに基づいて黒臭水域の底質の重金属源を分析する方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020187558A1 (en) * | 2001-06-05 | 2002-12-12 | Advanced Exploration & Research, Inc. | Method for determining the amount of metal in water and kit therefor |
-
2024
- 2024-02-23 CN CN202410199360.2A patent/CN117786616B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108483647A (zh) * | 2018-05-04 | 2018-09-04 | 滁州学院 | 一种水体中污染物的去除方法及去除装置 |
| CN109308577A (zh) * | 2018-09-12 | 2019-02-05 | 河海大学 | 一种沉积物重金属环境质量评价方法 |
| CN109900682A (zh) * | 2019-03-22 | 2019-06-18 | 临沂大学 | 一种基于富集因子值计算的表层土壤重金属污染来源定量识别方法 |
| CN110969345A (zh) * | 2019-11-20 | 2020-04-07 | 北京淖尔科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
| CN113500091A (zh) * | 2021-08-03 | 2021-10-15 | 天津大学 | 一种重金属污染土壤及地下水的修复系统及修复方法 |
| JP7227439B1 (ja) * | 2021-08-27 | 2023-02-22 | 生態環境部南京環境科学研究所 | 多変数とｐｍｆモデルに基づいて黒臭水域の底質の重金属源を分析する方法 |
| CN114707376A (zh) * | 2022-03-18 | 2022-07-05 | 国家海洋信息中心 | 一种模拟海底多金属结核赋存分布方法 |
Non-Patent Citations (2)
| Title |
|---|
| Yu Li, Guqi Li and Binlun Yan.Heavy metal pollution in sediments of Guanhe estuary in Haizhou Bay, Lianyungang.《2011 International Conference on Remote Sensing, Environment and Transportation Engineering》.2011,全文. * |
| 李玉 ; 刘付程 ; 冯志华 ; .燕尾港近岸海域表层沉积物重金属的分布与污染评价.水产科学.2013,(09),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117786616A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Machiwal et al. | A review of GIS-integrated statistical techniques for groundwater quality evaluation and protection | |
| Mirzaei et al. | Comparison of interpolation methods for the estimation of groundwater contamination in Andimeshk-Shush Plain, Southwest of Iran | |
| Motevalli et al. | A comprehensive evaluation of groundwater vulnerability to saltwater up-coning and sea water intrusion in a coastal aquifer (case study: Ghaemshahr-juybar aquifer) | |
| Goovaerts | Geostatistics in soil science: state-of-the-art and perspectives | |
| Sappington et al. | Quantifying landscape ruggedness for animal habitat analysis: a case study using bighorn sheep in the Mojave Desert | |
| Lemercier et al. | Extrapolation at regional scale of local soil knowledge using boosted classification trees: A two-step approach | |
| Neshat et al. | Risk assessment of groundwater pollution using Monte Carlo approach in an agricultural region: an example from Kerman Plain, Iran | |
| DeSimone et al. | Machine-learning models to map pH and redox conditions in groundwater in a layered aquifer system, Northern Atlantic Coastal Plain, eastern USA | |
| CN111707490B (zh) | 一种农用地土壤污染调查分阶段分区采样的方法 | |
| Halecki et al. | Estimations of nitrate nitrogen, total phosphorus flux and suspended sediment concentration (SSC) as indicators of surface-erosion processes using an ANN (Artificial Neural Network) based on geomorphological parameters in mountainous catchments | |
| Zhang et al. | Estimation bias in water-quality constituent concentrations and fluxes: a synthesis for Chesapeake Bay rivers and streams | |
| Imrie et al. | Application of factorial kriging analysis to the FOREGS European topsoil geochemistry database | |
| Gao et al. | A two-point machine learning method for the spatial prediction of soil pollution | |
| Hou et al. | Identification and mapping of riverbed sediment facies in the Columbia River through integration of field observations and numerical simulations | |
| Juang et al. | Additional sampling based on regulation threshold and kriging variance to reduce the probability of false delineation in a contaminated site | |
| Zhang et al. | Spatiotemporal modeling and prediction of soil heavy metals based on spatiotemporal cokriging | |
| CN117786616B (zh) | 一种近海沉积物重金属污染特征确定方法、装置及介质 | |
| Li et al. | Combined classification and source apportionment analysis for trace elements in western Philippine Sea sediments | |
| Sun et al. | Multivariate relations of river habitat to water–sediment indexes in the Yangtze Estuary | |
| Wilson et al. | Salt marshes as groundwater buffers for development: A survey of South Carolina salt marsh basins | |
| Jemeļjanova et al. | Modeling hydraulic heads with impulse response functions in different environmental settings of the Baltic countries | |
| Agyemang | Vulnerability Assessment of Groundwater to NO 3 Contamination Using GIS, DRASTIC Model and Geostatistical Analysis | |
| Khosravi et al. | Assessment of geostatistical methods for determining distribution patterns of groundwater resources in Sari-Neka coastal plain, northern Iran | |
| Zhou et al. | A comparison between global nutrient retention models for freshwater systems | |
| Piégay et al. | Statistics and fluvial geomorphology |
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 |