土壤重金属含量预测方法、装置与设备制造方法及图纸

本发明专利技术提供一种土壤重金属含量预测方法、装置与设备，包括：获取目标区域内各采样点的土壤数据以及目标区域内各污染源的位置信息，土壤数据包括土壤重金属含量信息和位置信息；根据各采样点的土壤数据和各污染源的位置信息对土壤重金属含量预测模型进行训练，得到训练好的土壤重金属含量预测模型，土壤重金属含量预测模型包括融合空间信息的图卷积网络；根据训练好的土壤重金属含量预测模型确定目标区域内各个位置点处的土壤重金属含量信息。通过目标区域内有限数量采样点便可以预测出目标区域内任意位置处的土壤重金属含量信息，可以大幅降低采样成本；融合了采样点的空间位置信息且综合考虑了污染源的位置信息，有助于进一步提高预测的准确性。一步提高预测的准确性。一步提高预测的准确性。

【技术实现步骤摘要】
土壤重金属含量预测方法、装置与设备


[0001]本专利技术实施例涉及土壤数据分析
，具体涉及一种土壤重金属含量预测方法、装置与设备。

技术介绍

[0002]随着工业化和城市化的不断推进，土壤生态环境面临着十分严重的考验和压力，土壤重金属污染问题尤其让人担忧。土壤质量主要受各类重金属的影响，铅、铜、汞、砷、镍、镉等重金属皆可能造成土壤污染，其中镉为土壤中的首要重金属污染物。土壤中的重金属通常难以被细菌、真菌、放线菌等微生物分解，这将会导致土壤中的重金属不断累积。当土壤重金属含量超过一定值时，不仅植物的生长会受到严重影响，而且重金属还会通过各种农副产品进入人体，严重威胁人体的身体健康。土壤重金属含量是对土壤污染状态进行风险评价分级、科学规划土地、土壤污染防治以及农副产品安全生产的重要依据，因此获取土壤重金属含量具有重要意义。
[0003]通过对土壤进行采样，对采样样本进行检测化验是获取土壤重金属含量的重要方法之一。若要全面掌握土壤中的重金属含量，则需要对土壤进行高密度、高频率地采样，然而采样及检测化验成本高，且会产生二次污染，可行性较低，因此亟需一种行之有效地获取土壤重金属含量的方法。

技术实现思路

[0004]本专利技术实施例提供一种土壤重金属含量预测方法、装置与设备，用以解决现有获取土壤重金属含量的方法成本高的问题。
[0005]第一方面，本专利技术实施例提供一种土壤重金属含量预测方法，包括：
[0006]获取目标区域内各采样点的土壤数据以及目标区域内各污染源的位置信息，土壤数据包括土壤重金属含量信息和位置信息；
[0007]根据各采样点的土壤数据和各污染源的位置信息对土壤重金属含量预测模型进行训练，得到训练好的土壤重金属含量预测模型，土壤重金属含量预测模型包括融合空间信息的图卷积网络；
[0008]根据训练好的土壤重金属含量预测模型确定目标区域内各个位置点处的土壤重金属含量信息。
[0009]一种实施例中，根据各采样点的土壤数据和各污染源的位置信息对土壤重金属含量预测模型进行训练之前，所述方法还包括：
[0010]根据各采样点的土壤数据是否完备将其划分为完备数据集和残缺数据集；
[0011]根据完备数据集对残缺数据集中缺失的数据进行补充和/或对残缺数据集中异常的数据进行校正，得到各采样点的完备土壤数据；
[0012]根据各采样点的完备土壤数据和各污染源的位置信息对土壤重金属含量预测模型进行训练。
[0013]一种实施例中，根据完备数据集对残缺数据集中缺失的数据进行补充和/或对残缺数据集中异常的数据进行校正包括：
[0014]采用改进的麻雀搜索算法对深度极限学习机进行迭代优化，得到改进的深度极限学习机；
[0015]采用所述改进的深度极限学习机，根据完备数据集对残缺数据集中缺失的数据进行补充和/或对残缺数据集中异常的数据进行校正。
[0016]一种实施例中，采用改进的麻雀搜索算法对深度极限学习机进行迭代优化，得到改进的深度极限学习机包括：
[0017]采用Singer混沌映射初始化麻雀种群；
[0018]计算麻雀种群的适应度值并进行排序，确定出最优值；
[0019]采用余弦权重因子更新发现者、加入者以及注意到危险的麻雀位置；
[0020]对最优值进行柯西
‑
高斯变异自适应扰动，产生新解；
[0021]将最优值和新解进行比较，在新解优于最优值时，将最优值更新为新解；
[0022]进行迭代操作直到达到最大迭代次数，得到全局最优值和最佳适应度值；
[0023]将全局最优值和最佳适应度值作为深度极限学习机的输入，利用完备数据集不断训练深度极限学习机，直至总误差小于预设期望误差，得到改进的深度极限学习机。
[0024]一种实施例中，土壤重金属含量预测模型包括空间信息编码器，空间信息编码器用于学习空间坐标上下文感知信息，根据各采样点的土壤数据和各污染源的位置信息对土壤重金属含量预测模型进行训练包括：
[0025]对目标区域中的采样点进行随机抽样，得到训练数据集；
[0026]根据训练数据集中各采样点的位置信息确定空间坐标矩阵，采用k近邻算法构建空间图，得到邻接矩阵；
[0027]将空间坐标矩阵输入空间信息编码器，得到坐标嵌入矩阵；
[0028]确定节点特征，节点特征包括采样点的土壤重金属含量信息、采样点的位置信息和污染源的位置信息；
[0029]将坐标嵌入矩阵和节点特征进行拼接，作为融合空间信息的图卷积网络的输入，对融合空间信息的图卷积网络进行训练；
[0030]根据邻接矩阵确定局部莫兰指数；
[0031]采用局部莫兰指数对融合空间信息的图卷积网络的预测结果进行调整；
[0032]对融合空间信息的图卷积网络进行训练迭代训练，直至融合空间信息的图卷积网络的损失函数值满足预设要求。
[0033]一种实施例中，空间信息编码器包括正余弦函数和全连接神经网络，将空间坐标矩阵输入空间信息编码器，得到坐标嵌入矩阵包括：
[0034]空间坐标矩阵C＝{c1,...c
n
}，c
i
为第i个采样点的经纬度坐标，空间信息编码器SE(C)＝NN(PE
(g)
(C))，其中为S个串联的多尺度正余弦函数，其中分别处理C的空间维度v，v包括纬度和经度，NN表示全连接神经网络，使得：
[0035][0036]式中，λ
min
表示最小网格尺度、λ
max
表示最大网格尺度，
[0037]将PE
(g)
(C)的输出通过全连接神经网络进行处理，得到坐标嵌入矩阵。
[0038]一种实施例中，根据邻接矩阵确定局部莫兰指数，包括：
[0039]根据如下表达式确定局部莫兰指数：
[0040][0041]其中，表示训练数据集中所有采样点土壤重金属含量的均值，为方差，x
i
表示训练数据集中第i个采样点的土壤重金属含量，x
j
表示训练数据集中第j个采样点的土壤重金属含量，n表示训练数据集中采样点的总数目，w
ij
表示邻接矩阵的空间权重矩阵中第i行第j列的元素。
[0042]第二方面，本专利技术实施例提供一种土壤重金属含量预测装置，包括：
[0043]获取模块，用于获取目标区域内各采样点的土壤数据以及目标区域内各污染源的位置信息，土壤数据包括土壤重金属含量信息和位置信息；
[0044]训练模块，用于根据各采样点的土壤数据和各污染源的位置信息对土壤重金属含量预测模型进行训练，得到训练好的土壤重金属含量预测模型，土壤重金属含量预测模型包括融合空间信息的图卷积网络；
[0045]预测模块，用于根据训练好的土壤重金属含量预测模型确定目标区域内各个位置点处的土壤重金属含量信息。
[0046]第三方面，本专利技术实施例提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤重金属含量预测方法，其特征在于，包括：获取目标区域内各采样点的土壤数据以及所述目标区域内各污染源的位置信息，所述土壤数据包括土壤重金属含量信息和位置信息；根据所述各采样点的土壤数据和所述各污染源的位置信息对土壤重金属含量预测模型进行训练，得到训练好的土壤重金属含量预测模型，所述土壤重金属含量预测模型包括融合空间信息的图卷积网络；根据所述训练好的土壤重金属含量预测模型确定所述目标区域内各个位置点处的土壤重金属含量信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述各采样点的土壤数据和所述各污染源的位置信息对土壤重金属含量预测模型进行训练之前，所述方法还包括：根据所述各采样点的土壤数据是否完备将其划分为完备数据集和残缺数据集；根据所述完备数据集对所述残缺数据集中缺失的数据进行补充和/或对所述残缺数据集中异常的数据进行校正，得到各采样点的完备土壤数据；根据所述各采样点的完备土壤数据和所述各污染源的位置信息对土壤重金属含量预测模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述根据所述完备数据集对所述残缺数据集中缺失的数据进行补充和/或对所述残缺数据集中异常的数据进行校正包括：采用改进的麻雀搜索算法对深度极限学习机进行迭代优化，得到改进的深度极限学习机；采用所述改进的深度极限学习机，根据所述完备数据集对所述残缺数据集中缺失的数据进行补充和/或对所述残缺数据集中异常的数据进行校正。4.根据权利要求3所述的方法，其特征在于，所述采用改进的麻雀搜索算法对深度极限学习机进行迭代优化，得到改进的深度极限学习机包括：采用Singer混沌映射初始化麻雀种群；计算所述麻雀种群的适应度值并进行排序，确定出最优值；采用余弦权重因子更新发现者、加入者以及注意到危险的麻雀位置；对最优值进行柯西
‑
高斯变异自适应扰动，产生新解；将最优值和新解进行比较，在新解优于最优值时，将最优值更新为新解；进行迭代操作直到达到最大迭代次数，得到全局最优值和最佳适应度值；将全局最优值和最佳适应度值作为深度极限学习机的输入，利用所述完备数据集不断训练所述深度极限学习机，直至总误差小于预设期望误差，得到改进的深度极限学习机。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述土壤重金属含量预测模型包括空间信息编码器，所述空间信息编码器用于学习空间坐标上下文感知信息，所述根据所述各采样点的土壤数据和所述各污染源的位置信息对土壤重金属含量预测模型进行训练包括：对所述目标区域中的采样点进行随机抽样，得到训练数据集；根据所述训练数据集中各采样点的位置信息确定空间坐标矩阵，采用k近邻算法构建空间图，得到邻接矩阵；将所述空间坐标矩阵输入所述空间信息编码器，得到坐标嵌入矩阵；
确定节点特征，所述节点特征包括采样点的土壤重金属含量信息、采样点的位置信息和污染源的位置信息；将所述坐标嵌入...

【专利技术属性】
技术研发人员：王占刚，张文帅，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：