一种土壤重金属砷空间分布预测方法及系统技术方案

一种土壤重金属砷空间分布预测方法及系统，其方法包括步骤1、采集空间的重金属砷含量数据和环境辅助变量数据；步骤2、通过皮尔逊相关系数方法逐一筛选影响重金属砷含量数据的环境辅助变量数据；步骤3、将环境辅助变量数据输入搭载了两个模型的双网络极限学习机中，获取两个土壤重金属砷预测含量值；步骤4、再把两个模型分别预测出的土壤重金属砷含量值分配不同的权重，结合得出最终土壤重金属砷含量值预测结果；步骤5、根据预测出来的土壤重金属砷含量数据进行空间制图。本发明专利技术在提高极限学习机预测精度的基础上还解决了极限学习机网络的过拟合问题，为土壤调查与环境保护提供更为精准的信息及对于土壤重金属砷的防控治理。精准的信息及对于土壤重金属砷的防控治理。精准的信息及对于土壤重金属砷的防控治理。

【技术实现步骤摘要】
一种土壤重金属砷空间分布预测方法及系统


[0001]本专利技术属于土壤重金属预测
，具体来说，涉及一种土壤重金属砷空间分布预测方法及系统。

技术介绍

[0002]中国农业土壤的稳定性和安全性正受到采矿、施肥和农药施用等人为活动造成的重金属含量日益积累的破坏。它们的迁移和积累会严重威胁生态环境安全和人类健康，且土壤中的重金属物质具有残留时间长、隐蔽性强、迁移性小且不易降解等特征。其中砷是一种有毒有害的致癌物质,过量的砷会跟随农产品进入体内，会导致一系列健康问题，而且过量的砷也会导致植物异常生长并破坏生态平衡。因此，调查农业土壤中重金属砷污染的空间分布是至关重要的。
[0003]目前对土壤重金属砷空间分布预测主要基于多源辅助变量和机器学方法建立预测模型，以期更好发现辅助变量和土壤重金属砷含量的非线性关系，提高模型预测精度，精准制作土壤重金属砷空间分布图，为土壤环境质量评价与土壤砷污染防治提供指导作用。在现有的技术中文献中，史广等人以某砷矿冶炼厂周边农田区域土壤砷污染为研究对象，通过融合研究区环境要素、遥感数据和地形要素等多源环境数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤重金属砷空间分布预测方法，其特征在于，包括步骤：S1、采集空间的重金属砷含量数据和环境辅助变量数据；S2、通过皮尔逊相关系数方法逐一筛选影响重金属砷含量数据的环境辅助变量数据；S3、将环境辅助变量数据输入搭载了两个模型的双网络极限学习机中，获取两个土壤重金属砷预测含量值；S4、再把两个模型分别预测出的土壤重金属砷含量值分配不同的权重，结合得出最终土壤重金属砷含量值预测结果；S5、根据预测出来的土壤重金属砷含量数据进行空间制图。2.根据权利要求1所述的方法，其特征在于，步骤S3中的两个模型包括模型1和模型2，模型1通过最小误差熵方法引入到双网络极限学习机中进行土壤重金属砷含量值预测；模型2是把节点隐藏方法引入到双网络极限学习机进行土壤重金属砷含量值预测。3.根据权利要求2所述的方法，其特征在于，模型1最小误差熵方法详细步骤包括：S3
‑1‑
1、给定训练集k为第k个样本点数，x
k
表示第k个样本点处辅助变量值，y
k
表示第k个样本点土壤重金属砷含量值，使用公式(1)得到的k样本点处的目标函数：数：式中，N
k
为样本点k的邻接样本点集，c
lk
为节点k和其邻接样本点l的权重，n为迭代次数，为k的邻接样本点l的总体误差，为熵函数，x
k
表示第k个样本点处辅助变量值，α为熵函数的参数，q
α
(x
k
)为第k个样本点处辅助变量数据的密度函数，当α
→
1时，Renyi熵近似于香农熵；当α＝2时，我们可以计算得到二次Renyi熵；S3
‑1‑
2、再利用二次Renyi熵引入二次信息势：即通过公式(3)和公式(4)引入二次信息势：势：式中，n为迭代次数，E表示误差，为k的邻接样本点l的总体误差，为总体误差二次信息势，为总体误差的二次Renyi熵，log函数是单调递增的，所以最小化二次Renyi熵等价于最大化二次信息势，为总体误差的密度函数；S3
‑1‑
3、结合步骤S3
‑1‑
1和S3
‑1‑
2，可利用公式(5)把目标函数转变为最大化：式中，n为迭代次数，c
lk
为节点k和其邻接样本点l的权重，为k的邻接样本点l的总体误差，为总体误差二次信息势；S3
‑1‑
4、判断当前迭代次数n，若n达到最大迭代次数L且k∈K，则执行步骤S3
‑1‑
7，否则执行步骤S3
‑1‑
5；
S3
‑
1，5、当输入新的样本点数x
k
(n)，通过公式(6)得到模型1的输出：式中，k表示第k个样本点数，c
lk
为节点k和其邻接样本点l的权重，μ学习步长，γ为正则化系数，ξ0为K
×
1的向量，K为样本数，为邻接样本点l的总体误差，n为迭代次数，为总体误差二次信息势的相对梯度，为环境辅助变量数据，为k的邻接样本点l的环境辅助变量数据，为土壤重金属第n
‑
1次迭代次数砷含量数据，为土壤重金属第n次迭代次数砷含量数据；S3
‑1‑
6、当n＝n+1且k∈K，则返回步骤S3
‑1‑
4；S3
‑1‑
7、输出当前预测最佳的土壤重金属砷含量值4.根据权利要求3所述的方法，其特征在于，模型2节点隐藏方法详细步骤包括：S3
‑2‑
1、给定训练集D＝{(x
i
，y
i
)|x
i
∈R
d
，y
i
∈R
k
，1≤i≤n}，x
i
为辅助变量，y
i
为土壤重金属砷含量，n是数据集的样本数，结构为(d，m，k)的SLFN单隐藏层前馈神经网络可用公式(7)表示：式中，f(x
i
)为目标土壤重金属砷含量值，β
j
为SLFN单隐藏层前馈神经网络的输出权重，g(.)为激活函数，w
j
为SLFN单隐藏层前馈神经网络的输入权重，b
j
为SLFN单隐藏层前馈神经网络的隐藏层阈值；S3
‑2‑
2、输入辅助变量数据：训练集D＝{(x
i
，y
i
)|x
i
∈R
d
，y
i
∈R
k
，1≤i≤n}，x
i
为第i个样本点处辅助变量数据，y
i
为为第i个样本点处土壤重金属砷含量数据，重复训练次数P；测试数据x；S3
‑2‑
3、输出土壤重金属砷含量数据：测试数据x的类标y(x)；S3
...

【专利技术属性】
技术研发人员：任顺，肖配，任东，陆安祥，安毅，肖敏，张清，
申请(专利权)人：三峡大学，
类型：发明
国别省市：