基于表层环境的矿冶区深层土壤重金属污染风险预测方法

本发明属于环境污染防治，涉及一种快速评估土壤重金属污染分布预测方法，具体涉及一种基于表层环境的矿冶区深层土壤重金属污染风险预测方法。

背景技术：

1、矿冶过程排放大量含重金属粉尘、废渣和废水，如不恰当处置，则会随干湿沉降、地表径流和污水灌溉进入周边土壤。重金属会在矿冶区土壤中不断富集，含量常常远高于土壤背景值。同时，人为、自然因素均会影响重金属的迁移和归趋，进而影响土壤重金属垂向分布。土壤重金属能二次释放迁移至食物链、地下水和地表水中，进而威胁人体健康，因此矿冶区土壤重金属污染风险防控工作尤为重要。

2、常规矿冶区土壤重金属垂向分布研究多依赖于大规模土壤采集，工作成本高、效率低，且检测数据缺失现象严重。同时，土壤空间位置与重金属含量，以及污染程度与重金属含量之间均存在高度复杂的非线性映射关系，尤其是矿冶区土壤污染受到自然、生产因素影响较大，且土壤自身理化性质及其与重金属相互作用对重金属垂向分布具有显著影响，导致土壤重金属垂向分布难以采用常规模型预测。因此，亟需构建一种基于表层环境的矿冶区深层土壤重金属污染风险预测方法，以解决常规方法中重金属预测精度低、效率低、成本高的技术问题。

技术实现思路

1、本发明提供一种基于表层环境的矿冶区深层土壤重金属污染风险预测方法，快速、准确、经济地评估深层土壤重金属污染风险。

2、为实现上述技术目的，本发明采用如下技术方案：

3、一种基于表层环境的矿冶区深层土壤重金属污染风险预测方法，包括：

4、步骤1，选择若干个矿冶区，在每个矿冶区均匀选择若干采样点位；

5、步骤2，在每个采样点位，采集地下预测深度以上各土层的土壤样品，检测各土层土壤样品的多种重金属含量，对应确定各土层土壤样品中每种重金属的污染风险指标；

6、步骤3，选择采样点位的表层土壤样品，检测获取表层土壤样品的多种理化性质参数和人为及环境影响因子参数；

7、步骤4，对每个采样点位由步骤2和步骤3得到数据进行预处理，然后根据表层土壤预处理后的多种理化性质参数和人为及环境影响因子参数构建样本的特征向量并作为机器学习模型的输入，以及根据所有土层的重金属污染指数构建样本的标签并作为机器学习模型的输出，每个采样点位对应得到一个样本；

8、步骤5，将所有采样点对应得到的样本集划分训练集和验证集；使用训练集的样本训练机器学习模型，确定超参数后使用验证集的样本优化超参数，得到矿冶区深层土壤重金属污染风险预测模型；

9、步骤6，对于深层土壤重金属污染风险未知的任意矿冶区，检测获取其表层土壤的多种理化性质参数和人为及环境影响因子参数，预处理后得到测试样本的特征向量；再将测试样本的特征向量输入至矿冶区深层土壤重金属污染风险预测模型，模型输出得到该矿冶区地下预测深度以上所有土层的重金属污染风险指标。

10、进一步地，步骤2检测土壤样品的多种重金属含量，具体检测方法为：将土壤样品过100目筛后采用hno3-hcl-h2o2消解，采用电感耦合等离子体质谱仪对消解后的土壤样品中的重金属含量进行分析，得到土壤样品的各种重金属含量。

11、进一步地，所述多种重金属包括以下任意一种或多种：as、cd、cr、cu、ni、pb、zn、hg。

12、进一步地，基于地累积指数法确定各土层土壤样品中每种重金属的污染风险指标，表示为：

13、

14、式中，igeo(i)为第i种重金属的风险指标；ci为第i种重金属的检测含量；bi为第i种重金属的土壤背景含量；α为土壤背景含量的自然波动系数。

15、进一步地，步骤3检测获取的多种理化性质参数包括：土壤ph、土壤有机质含量、土壤阳离子交换量、土壤铁含量、土壤铝含量、土壤硫含量、土壤质地。

16、进一步地，土壤ph采用电位法测定，土壤有机质含量采用低温外热重铬酸钾氧化-比色法测定，土壤阳离子交换量采用乙酸铵法测定，土壤铁含量和土壤铝含量均采用hno3-hcl-h2o2消解法测定，土壤硫含量采用硝酸镁氧化-硫酸钡比浊法测定，土壤质地采用比重计法测定。

17、进一步地，步骤3检测获取的人为及环境影响因子参数包括：土地利用类型、土地覆盖类型、污染源类型、土层深度；土地利用类型包括场地、农用地、林地、草地、废弃地、居住用地；土地覆盖类型包括农作物、植物、废渣、裸地、混凝土；污染源类型包括大气沉降、废水地表径流、废渣地表径流、降雨、农业灌溉、农肥施用、降雨。

18、进一步地，步骤4中的预处理包括标准化处理和降维处理。

19、进一步地，所述机器学习模型采用多元线性回归、支持向量机、随机森林或者神经网络；采用贝叶斯优化、遗传算法、网格搜索或者随机搜索法，确定机器学习模型的超参数；采用交叉验证法优化机器学习模型的超参数。

20、进一步地，所述机器学习模型为bp神经网络，优化的超参数包括神经网络层数、网络类型、每层神经元数量、神经元激活函数种类、损失函数、优化方法、批量数据大小、迭代次数、学习率、正则系数、权重初始化方法中的一种或多种。

21、有益效果

22、本发明通过表层土壤的理化性质参数和人为及环境影响因子预测深层土壤重金属污染风险的评估技术，综合考虑了土壤自身理化性质和人为及环境因子对土壤重金属污染风险垂向分布的影响，有效提高了矿冶区深层土壤重金属污染风险预测模型的准确性、普适性和泛化能力。同时，该方法评估效率高、实施成本低，对推动高空间异质性区域深层土壤重金属污染防控具有重要意义。

技术特征：

1.一种基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，包括：

2.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，步骤2检测土壤样品的多种重金属含量，具体检测方法为：将土壤样品过100目筛后采用hno3-hcl-h2o2消解，采用电感耦合等离子体质谱仪对消解后的土壤样品中的重金属含量进行分析，得到土壤样品的各种重金属含量。

3.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，所述多种重金属包括以下任意一种或多种：as、cd、cr、cu、ni、pb、zn、hg。

4.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，基于地累积指数法确定各土层土壤样品中每种重金属的污染风险指标，表示为：

5.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，步骤3检测获取的多种理化性质参数包括：土壤ph、土壤有机质含量、土壤阳离子交换量、土壤铁含量、土壤铝含量、土壤硫含量、土壤质地。

6.根据权利要求5所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，土壤ph采用电位法测定，土壤有机质含量采用低温外热重铬酸钾氧化-比色法测定，土壤阳离子交换量采用乙酸铵法测定，土壤铁含量和土壤铝含量均采用hno3-hcl-h2o2消解法测定，土壤硫含量采用硝酸镁氧化-硫酸钡比浊法测定，土壤质地采用比重计法测定。

7.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，步骤3检测获取的人为及环境影响因子参数包括：土地利用类型、土地覆盖类型、污染源类型、土层深度；土地利用类型包括场地、农用地、林地、草地、废弃地、居住用地；土地覆盖类型包括农作物、植物、废渣、裸地、混凝土；污染源类型包括大气沉降、废水地表径流、废渣地表径流、降雨、农业灌溉、农肥施用、降雨。

8.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，步骤4中的预处理包括标准化处理和降维处理。

9.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，所述机器学习模型采用多元线性回归、支持向量机、随机森林或者神经网络；采用贝叶斯优化、遗传算法、网格搜索或者随机搜索法，确定机器学习模型的超参数；采用交叉验证法优化机器学习模型的超参数。

10.根据权利要求1所述的基于表层环境的矿冶区深层土壤重金属污染风险预测方法，其特征在于，所述机器学习模型为bp神经网络，优化的超参数包括神经网络层数、网络类型、每层神经元数量、神经元激活函数种类、损失函数、优化方法、批量数据大小、迭代次数、学习率、正则系数、权重初始化方法中的一种或多种。

技术总结
本发明公开了一种基于表层环境的矿冶区深层土壤重金属污染风险预测方法，包括：选择若干矿冶区的若干采样点位，采集各采样点位地下各土层的土壤样品，检测多种重金属含量并确定污染风险指标，预处理后构建样本标签并作为机器学习模型输出；检测表层土壤样品的多种理化性质参数和人为及环境影响因子参数，预处理后构建样本特征向量并作为机器学习模型输入；使用样本集训练和优化机器学习模型，得到矿冶区深层土壤重金属污染风险预测模型；获取未知矿冶区的特征向量，利用预测模型得到该矿冶区预测深度所有土层的重金属污染风险指标。本发明仅基于表层土壤的检测数据，即可准确预测深层土壤重金属污染风险，预测精度高、实施成本低、普适性强。

技术研发人员：彭驰,姜智超,郭朝晖,肖细元,钟佳
受保护的技术使用者：中南大学
技术研发日：
技术公布日：2024/1/15