[发明专利]一种土壤重金属含量空间预测方法

权利要求书

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。

6.如权利要求5所述的土壤重金属含量空间预测方法，其特征在于，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ρ_X,Y，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，σ_Xσ_Y为X标准差和Y标准差的乘积；

保留ρ_X,Y绝对值大于0.4的辅助变量。

7.如权利要求6所述的土壤重金属含量空间预测方法，其特征在于，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。

8.如权利要求7所述的土壤重金属含量空间预测方法，其特征在于，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空间预测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。

9.如权利要求8所述的土壤重金属含量空间预测方法，其特征在于，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。