一种土壤重金属含量空间预测方法技术

技术编号:19775707 阅读:35 留言:0更新日期:2018-12-15 10:26
本发明专利技术提供了一种土壤重金属含量空间预测方法,通过包括高光谱影像在内的辅助变量进行研究区土壤重金属含量空间预测,结合人工神经网络的非线性预测特点与克里格方法的线性预测特点,更好的通过采样点预测出研究区整体的土壤重金属含量空间分布,与现有的预测方法相比,预测结果更为接近实测值,可以更好的解释土壤重金属的空间变异性及其与辅助变量的线性及非线性关系,具有良好的实用性。

【技术实现步骤摘要】
一种土壤重金属含量空间预测方法
本专利技术涉及土地利用研究领域,具体涉及一种土壤重金属含量空间预测方法。
技术介绍
目前,农田土壤重金属的空间分布制图通常基于野外采样获得的实测含量值,容易造成农田土壤破坏及高成本,也难以满足空间快速高效获取土壤重金属空间信息的要求。因此,应用有效的辅助变量对于农田土壤重金属的精细空间制图、节约野外采样成本及生态农业可持续发展具有重要意义。土壤重金属空间变异性往往是多种复杂关联因素的直接或间接作用。环境因子是最常用于土壤属性空间预测的辅助变量,包括地形、气候和植被等因子。由于它们的非破坏性及易获取,环境因子已广泛用于预测土壤有机质、土壤有机碳和土壤重金属。环境因子通过影响与土壤重金属相关的地理条件间接反映其空间变异性。例如,地形和坡度通常影响土层厚度进而影响被重金属附着的有机质含量;温度和降水通常影响大气沉降、土壤酸碱度,然后又通过作物根系的吸收从而改变土壤重金属的迁移转换过程。近年来,高光谱因子被发现与土壤重金属有着密切关系。高光谱变量与土壤重金属之间的关系机制是通过捕捉被重金属附着的土壤有机质及铁锰化物的光谱变化,通过光谱反射率变化来反映重金属的含量变化。高光谱遥感影像一方面具有精细的光谱分辨率,能够感知土壤重金属含量的微弱变化;另一方面具有空间连续性,能够较好地对其进行空间变异性模拟。因此,运用环境因子及高光谱遥感影像进行农田土壤重金属空间变异性预测,能够有效提供预测精度及效率。然而,在目前的土壤重金属空间预测过程中,同时使用环境及高光谱影像的多源辅助变量还较少。辅助变量的土壤重金属空间预测方法中,多元线性回归、回归普通克里格及人工神经网络法应用较多。然而,这些方法通过单一地刻画土壤重金属与辅助变量之间的线性或非线性关系,进而预测土壤重金属的空间变异性。事实上,土壤重金属与辅助变量之间往往同时存在线性及非线性关系,能够同时反映二者之间的复杂关系是提高土壤重金属空间预测精度的关键。人工神经网络普通克里格模型是将人工神经网络模型与普通克里格模型相结合的混合地统计方法,该方法一方面运用人工神经网络刻画土壤重金属与多源辅助变量之间的非线性关系,另一方面又通过普通克里格模型将人工神经网络模型的残差进行线性插值,目前运用该方法结合多源辅助变量的土壤重金属空间变异性预测还鲜有研究。
技术实现思路
为了克服上述方法的缺陷,本专利技术提供了一种土壤重金属含量空间预测方法,通过包括高光谱影像在内的辅助变量进行研究区土壤重金属含量空间预测,结合人工神经网络的非线性预测特点与克里格方法的线性预测特点,更好的通过采样点预测出研究区整体的土壤重金属含量空间分布,与现有的预测方法相比,预测结果更为接近实测值,可以更好的解释土壤重金属的空间变异性及其与辅助变量的线性及非线性关系,具有良好的实用性。相应的,本专利技术提供了一种土壤重金属含量空间预测方法,包括以下步骤:确定研究区;在所述研究区内采集土壤样品;测定所述土壤样品重金属含量;确定辅助变量并获取所述研究区的辅助变量信息;基于皮尔森相关系数筛选所述辅助变量;基于主成分分析对所述辅助变量降维;基于人工神经网络-普通克里格模型和经降维后的辅助变量,对所述研究区进行土壤重金属含量空间预测;导出重金属含量空间预测图。优选的实施方式,所述在所述研究区内采集土壤样品包括以下步骤:在所述研究区内裸露的土壤中,基于分层随机抽样方法确定采样点;在每个所述采样点X形的四个角落以及所述采样点共收集五份原始土壤样品,取样深度为0~20cm;将所述采样点的五份原始土壤样品混合,除去除土壤外的杂质,在室温条件下自然风干后利用100目筛进行筛选;取100g经筛选后的原始土壤样品作为所述采样点的土壤样品。优选的实施方式,所述测定所述土壤样品重金属含量包括以下步骤:基于还原气化-原子荧光光度计法测定重金属砷As含量;基于火焰原子吸收分光光度法测定重金属锌Zn和铬Cr含量;基于石墨炉原子吸收法测定重金属铅Pb和镉Cd含量。优选的实施方式,所述辅助变量包括四个类别,分别为地形信息、植被信息、气候信息和高光谱遥感信息。优选的实施方式,所述地形信息包括高程、坡向、坡向变率、坡度、坡度变率、汇流累积量、汇水面积、地形起伏度、地表粗糙度、填洼和洼地深度共11个辅助变量;所述植被信息包括增强植被指数和归一化差异植被指数共2个辅助变量;所述气候信息包括月平均气温、月均最高气温、月平均降水量和太阳辐射量共4个辅助变量;高光谱遥感信息包括高光谱影像共1个辅助变量。优选的实施方式,所述基于皮尔森相关系数筛选所述辅助变量包括以下步骤:分别计算每个辅助变量与所述各种重金属含量的皮尔森相关系数,计算公式为,X为辅助变量,Y为重金属含量,cov(X,Y)为X和Y之间的协方差,σXσY为X标准差和Y标准差的乘积;保留绝对值大于0.4的辅助变量。优选的实施方式,所述基于主成分分析对所述辅助变量降维包括以下步骤:基于所述辅助变量及所述辅助变量信息,计算相关系数矩阵;基于所述相关系数矩阵,计算所述相关系数矩阵的特征值与特征向量;依次计算主成分贡献率、累计贡献率和主成分载荷;基于所述主成分载荷,得出降维后的辅助变量。优选的实施方式,基于人工神经网络-普通克里格模型对所述研究区进行土壤重金属含量空间预测包括以下步骤:基于采样点经降维后的辅助变量和采样点的重金属含量,构建人工神经网络模型;将采样点经降维后的辅助变量导入所述人工神经网络模型,得到基于所述人工神经网络模型的所述采样点的预测重金属含量;计算采样点预测重金属含量与重金属含量的残差值;基于普通克里格法,通过所述采样点的残差值得出研究区内所有位置的预测残差值;将非采样点经降维后的辅助变量导入所述人工神经网络模型,得到基于所述人工神经网络模型的所述非采样点的预测重金属含量;所述非采样点的土壤重金属含量为对应位置的预测重金属含量和对应位置的预测残差值之和。优选的实施方式,所述导出重金属含量空间预测图包括以下步骤:基于ArcGIS软件导出所述重金属含量空间预测图。本专利技术提供的土壤重金属含量空间预测方法,通过包括高光谱影像在内的辅助变量进行研究区土壤重金属含量空间预测,结合人工神经网络的非线性预测特点与克里格方法的线性预测特点,更好的通过采样点预测出研究区整体的土壤重金属含量空间分布,与现有的预测方法相比,预测结果更为接近实测值,可以更好的解释土壤重金属的空间变异性及其与辅助变量的线性及非线性关系,具有良好的实用性。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例,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它的附图。图1示出了本专利技术实施例的土壤重金属含量空间预测方法的方法流程图;图2示出了本专利技术实施例的高光谱影像;图3示出了本专利技术实施例SPSS软件主成分分析结果图;图4示出了本专利技术实施例ANN模型的结构图;图5示出了本专利技术实施例的土壤重金属空间预测图。具体实施方式下面将结合本专利技术实施例中的附图,对本专利技术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专利技术一部分实施例,而不是全部的实施例。基于本发本文档来自技高网
...

【技术保护点】
1.一种土壤重金属含量空间预测方法,其特征在于,包括以下步骤:确定研究区;在所述研究区内采集土壤样品;测定所述土壤样品重金属含量;确定辅助变量并获取所述研究区的辅助变量信息;基于皮尔森相关系数筛选所述辅助变量;基于主成分分析对所述辅助变量降维;基于人工神经网络‑普通克里格模型和经降维后的辅助变量,对所述研究区进行土壤重金属含量空间预测;导出重金属含量空间预测图。

【技术特征摘要】
1.一种土壤重金属含量空间预测方法,其特征在于,包括以下步骤:确定研究区;在所述研究区内采集土壤样品;测定所述土壤样品重金属含量;确定辅助变量并获取所述研究区的辅助变量信息;基于皮尔森相关系数筛选所述辅助变量;基于主成分分析对所述辅助变量降维;基于人工神经网络-普通克里格模型和经降维后的辅助变量,对所述研究区进行土壤重金属含量空间预测;导出重金属含量空间预测图。2.如权利要求1所述的土壤重金属含量空间预测方法,其特征在于,所述研究区内采集土壤样品包括以下步骤:在所述研究区内裸露的土壤中,基于分层随机抽样方法确定采样点;在每个所述采样点X形的四个角落以及所述采样点共收集五份原始土壤样品,取样深度为0~20cm;将所述采样点的五份原始土壤样品混合,除去除土壤外的杂质,在室温条件下自然风干后利用100目筛进行筛选;取100g经筛选后的原始土壤样品作为所述采样点的土壤样品。3.如权利要求2所述的土壤重金属含量空间预测方法,其特征在于,所述测定所述土壤样品重金属含量包括以下步骤:基于还原气化-原子荧光光度计法测定重金属砷As含量;基于火焰原子吸收分光光度法测定重金属锌Zn和铬Cr含量;基于石墨炉原子吸收法测定重金属铅Pb和镉Cd含量。4.如权利要求3所述的土壤重金属含量空间预测方法,其特征在于,所述辅助变量包括四个类别,分别为地形信息、植被信息、气候信息和高光谱遥感信息。5.如权利要求4所述的土壤重金属含量空间预测方法,其特征在于,所述地形信息包括高程、坡向、坡向变率、坡度、坡度变率、汇流累积量、汇水面积、地形起伏度、地表粗糙度、填洼和洼地深度共11个辅助变量;所述植被信息包括增强植被指数和归一化差异植被指数共2个辅助变量;所述气候信息包括月平均气温、月均最高气温、月平均降水量和太阳辐射量共4个...

【专利技术属性】
技术研发人员:胡月明宋英强杨颢赵鑫
申请(专利权)人:华南农业大学
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1