技术领域
[0001] 本
发明实施例涉及
土壤污染治理技术领域，具体涉及一种基于土壤重金属污染途径分析的风险评估方法。
背景技术
[0002] 土壤是构成
生态系统的基本要素之一，是国家最重要的自然资源，也是人类赖以生存的物质
基础。随着工业化、城镇化和农业集约化的快速发展，工业生产规模不断扩大，生活垃圾不合理处置和金属矿山开采，农业生产中化肥、
农药和污
水灌溉使用量的加大，使土壤环境系统中重金属含量不断累积，引起土壤重金属污染。
[0003] 我国土壤污染类型主要以无机型污染物为主。无机型污染物主要是指镉、铬、铅、
铜、锌、汞、砷、镍8种重金属。土壤中重金属元素主要来源有自然因素和人为输入两种途径。重金属污染具有范围广、持续时间长、难以在物质循环和
能量流动中分解的特点。对土壤中重金属空间污染分布进行正确评估，对于预测土壤中重金属的污染发展趋势，制定土壤污染防治措施，具有非常重要的现实意义。
[0004] 目前，国内外进行土壤重金属污染风险评估的方法有很多，如单因子污染指数评价法、内梅罗综合污染指数法、地积累指数法、模糊数学法、灰色类聚法、基于GIS的地统计学评价法、多边形面积法、BP-Matlab 神经网络法等十多种方法。各种评价方法都有其适用范围、评价目的、优点及不足。
[0005] 如单因子污染指数法是以土壤元素背景值为评价标准来评价重金属元素的累积污染程度，可以判断出环境中的主要污染因子，但是这种方法仅适用于单一因子污染特定区域的评价，不能全面反应土壤环境要素的综合情况。内梅罗指数法是一种兼顾单元素污染指数平均值和最大值的综合污染指数评价法，虽然可以全面反映各重金属对土壤的危害程度，突出高浓度重金属元素对土壤环境
质量的影响，但是该方法由于其过分突出污染指数最大的污染物对环境质量的影响和作用，在评价时可能会人为夸大浓度高的因子或缩小浓度低的因子的影响作用，使其对环境质量评价的灵敏度不高。基于GIS的的插值方法有很多，常用的有反距离插值法和基于地统计学的克里格插值法，但是这种方法存在一定的局限性，若变异函数与相关分析的结果表明区域化变量的空间相关性不存在，则基于GIS的地统计学法就不适用。
[0006] 由上可知，虽然对于重金属污染的评价方法有很多种，但是由于各种方法存在着本质上的
缺陷，无法解决输入项和输出相对污染区域的影响，并且不能基于研究的结果来预测未来的发展趋势。
发明内容
[0007] 为此，本发明实施例提供一种基于土壤重金属污染途径分析的风险评估方法，以解决
现有技术中无法基于输入源相对污染区域未来发展趋势进行预测和预警的问题。
[0008] 为了实现上述目的，本发明的实施方式提供如下技术方案：
[0009] 一种基于土壤重金属污染途径分析的风险评估方法，包括如下步骤：
[0010] 步骤100、基于研究区历史数据确定被污染土壤重金属含量的空间分布并进行分区；
[0011] 步骤200、选择源项指标和评估指标，并根据源项指标和评估指标确定取样周期，持续获得源项指标和评估指标的监测数据，并基于监测数据进行处理获得预测数据；
[0012] 步骤300、基于BP-Matlab神经网络法建立评估模型，对研究区土壤的污染进行预测。
[0013] 作为本发明的一种优选方案，在步骤100中，在确定被污染土壤重金属含量的空间分布规律后通过GIS生成研究区土地利用现状图。
[0014] 作为本发明的一种优选方案，在步骤100中进行分区的具体步骤为：
[0015] 步骤101、根据研究区土地利用现状图划分确定轻区、确定重区和不确定区，在不同的分区内按照不同的均分程度将其划分为不同
指定大小的网格；
[0016] 步骤102、将每个网格中心点确定为
采样点；
[0017] 步骤103、研究区土地利用现状图分区的基础上按照相同比例尺生成土壤采样点分布图，并将土壤采样点分布图与研究区实际图重叠，根据研究图实际图上设定的标志物进行标定，划分每个采样点的经纬度坐标。
[0018] 作为本发明的一种优选方案，在步骤200中，获得预测数据的具体步骤为：
[0019] 确定研究区内所有可能的输入项和输出项，并且按照列举的方式逐一展开作为源项指标，根据源项指标确定风险评估的分析源项；
[0020] 基于源项指标进行不定期或按照周期进行定期的土壤监测采样，按照时间轴分布获得监测采样
数据库；
[0021] 对监测采样数据库进行归一化处理，并将经过处理的监测采样数据作为待预测数据。
[0022] 作为本发明的一种优选方案，所述BP-Matlab神经网络法具体为基于BP误差反向传播
算法的多层
前馈神经网络，设定每个神经元只前馈到其下一层的所有神经元，没有层内联结、各层联结和反馈联结，各个神经元之间采用Sigmoid型传递函数。
[0023] 作为本发明的一种优选方案，所述BP-Matlab神经网络法由两部分组成：
[0024] 信息的正向传递，在正向传播过程中，输入信息从输入经隐含层逐层计算传向
输出层，每一层神经元的状态只影响下一层神经元的状态；
[0025] 误差的反向传播，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差
信号沿原来的连接通路反传回来
修改各神经元的权值直至达到期望目标。
[0026] 作为本发明的一种优选方案，所述BP-Matlab神经网络法的具体算法步骤为：
[0027] 步骤301、输入P个样本，m种预测方法的预测值作为输入向量Xki，其中，k为样本数，k＝1，2，3，…，P；i为预测方法序号，i＝1，2，3，…m，各个历史数据真实值为神经网络的输出Tki，对每个输入样本进行如下
迭代；
[0028] 步骤302、计算网络的实际输出为Oks，表示为第k个样本数中第s 种预测方法的实际输出：
[0029] Oks＝f(∑wjiOki+θj)，其中f为计算关系，j为预测方法序号；
[0030] 步骤303、计算输出层和
输入层的训练误差分别为：
[0031] 输出层训练误差δkj＝(T-Okj)Okj(1-Okj)，其中T为真实值的输出；
[0032] 输入层训练误差δkj＝Okj(1-Okj)∑δkmwmj；
[0034] 修正权值wji(t+1)＝wji(t)+ηδkiOkj+α[wji(t)-wji(t-1)]，
[0035] 阈值θj(t+1)＝θjηδj+α[θj(t)-θj(t-1)]，t为赋值次数，η、α均为人为确定的计算因子；
[0036] 步骤305、当每经历1至P后，判断整个样本集的均方误差是否满足预先设定
精度：
[0037]
[0038] ε为预先设定精度； 为第k个样本误差。
[0039] 作为本发明的一种优选方案，还包括将经过归一化处理后的待预测数据输入评估模型中进行误差分析，待预测数据经过归一化处理后剔除误差不满足需求的数据，获得预测数据。
[0040] 作为本发明的一种优选方案，根据源项指标分别绘出土壤重金属含量累积变化趋势图，依据土壤重金属含量累积变化趋势图分析土壤中各重金属含量在输入源项和输出源项影响下的累积变化规律并筛选出影响源项和影响因子。
[0041] 作为本发明的一种优选方案，在输入源相和输出源项的综合作用下预测出未来某一时间的土壤重金属含量进行内梅罗综合污染指数法评估，分析预测未来某一时间的土壤环境质量状况。
[0042] 本发明的实施方式具有如下优点：
[0043] (1)本发明基于源项建立一套具有创新性的土壤重金属污染风险评估体系，综合考量了各输入和输出项对土壤污染风险程度的影响。
预测分析每个源项对土壤中重金属含量的贡献率和贡献趋势，从而在源头上有效控制土壤重金属的污染，有利于制定高效且具有针对性的修复策略；
[0044] (2)在本发明的评估方法中加入了土壤重金属累积趋势的预测，考量了不同途径重金属输入、输出通量对土壤重金属累积及作物风险的影响，从而有利于更清晰的界定土壤重金属潜在利用风险。
附图说明
[0045] 为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0046] 图1为本发明实施方式中的流程示意图；
[0048] 图3为本发明实施方式中的检测
探头整体结构示意图；
[0049] 图4为本发明实施方式中检测
套管的俯视结构示意图；
[0050] 图5为本发明实施方式中顶罩的结构示意图；
[0051] 图中：1-插入
基座；2-检测套管；3-环形槽；4-顶罩；
[0052] 101-递进端管；102-检测套筒；103-水准器；
[0053] 201-内筒；202-外筒；203-十字架；204-探头安装架；205-夹片；206- 探头载位；207-检测窗口；208-筛网；209-
橡胶形变端头；210-持平凹槽；
[0054] 401-标识区；402-
底板；403-
数据处理器；404-连接端口。。
具体实施方式
[0055] 以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本
说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056] 前期研究结果包括对土壤重金属的污染特征、生态风险及来源等方面已有了不少的研究成果，但其还主要集中在以污染区域为研究对象的受
体模型。而以输入源项为研究对象的扩散模型对其污染区域受体模型的未来发展趋势的关注却鲜有记载。针对目前现有技术研究存在的不足，本发明提供了一种从输入源项对污染区域进行未来发展趋势的预测预警研究方法，建立一套基于污染途径的重金属污染整体风险评估方法。
[0057] 如图1和图2所示，本发明提供了一种基于土壤重金属污染途径分析的风险评估方法，包括如下步骤：
[0058] 步骤100、基于研究区历史数据确定被污染土壤重金属含量的空间分布并进行分区；
[0059] 步骤200、选择源项指标和评估指标，并根据源项指标和评估指标确定取样周期，持续获得源项指标和评估指标的监测数据，并基于监测数据进行处理获得预测数据；
[0060] 步骤300、基于BP-Matlab神经网络法建立评估模型，对研究区土壤的污染进行预测。
[0061] 还包括将经过归一化处理后的待预测数据输入评估模型中进行误差分析，待预测数据经过归一化处理后剔除误差不满足需求的数据，获得预测数据。
[0062] 作为本发明的一种优选方案，根据源项指标分别绘出土壤重金属含量累积变化趋势图，依据土壤重金属含量累积变化趋势图分析土壤中各重金属含量在输入源项和输出源项影响下的累积变化规律并筛选出影响源项和影响因子。
[0063] 作为本发明的一种优选方案，在输入源相和输出源项的综合作用下预测出未来某一时间的土壤重金属含量进行内梅罗综合污染指数法评估，分析预测未来某一时间的土壤环境质量状况。
[0064] 在前述步骤100中，历史数据包括前期的研究资料、人员访谈以及现场踏勘，了解研究区域的地形
地貌、水文气象和污染源项等有关资料。
[0065] 作为本发明的一种优选方案，在步骤100中，在确定被污染土壤重金属含量的空间分布规律后通过GIS生成研究区土地利用现状图。
[0066] 作为本发明的一种优选方案，在步骤100中进行分区的具体步骤为：
[0067] 步骤101、根据研究区土地利用现状图划分确定轻区、确定重区和不确定区，在不同的分区内按照不同的均分程度将其划分为不同指定大小的网格；
[0068] 步骤102、将每个网格中心点确定为采样点；
[0069] 步骤103、研究区土地利用现状图分区的基础上按照相同比例尺生成土壤采样点分布图，并将土壤采样点分布图与研究区实际图重叠，根据研究图实际图上设定的标志物进行标定，划分每个采样点的经纬度坐标。
[0070] 将研究区划分成指定大小的网格，网格中心即为采样点，在污染严重区域或不确定性较大区域需加密布点，在土地利用现状图的基础上生成大比例尺的土壤采样点分布图。根据布设的采样点的经纬度实地采集土壤样品，将采集的土壤样品检测分析对应的各重金属元素含量值。
[0071] 利用MATLAB
软件编写重金属空间分布预测的源程序，对研究区域整体的土壤环境现状进行空间预测，做出各重金属在研究区域的空间分布图，并采用内梅罗综合污染评价法对土壤环境现状进行评级和分区。
[0072] 在步骤200中，获得预测数据的具体步骤为：
[0073] 确定研究区内所有可能的输入项和输出项，并且按照列举的方式逐一展开作为源项指标，根据源项指标确定风险评估的分析源项；
[0074] 基于源项指标进行不定期或按照周期进行定期的土壤监测采样，按照时间轴分布获得监测采样数据库；
[0075] 对监测采样数据库进行归一化处理，并将经过处理的监测采样数据作为待预测数据。
[0076] 具体的，对研究区域内的所有可能输入和输出项进行分析，确定风险评估分析源项。基于源项进行定期和不定期的土壤监测采样，获取大量的评估指标基础监测数据。对基础数据进行归一化处理，利用Matlab 软件构建BP神经网络
预测模型，输入校验数据对BP模型进行误差分析。输入归一化后的基础数据，得出预测数据。
[0077] 利用excel软件生成基于源项的土壤重金属含量累积变化趋势图，分析土壤中各重金属含量在输入-输出源项影响下的累积变化规律并筛选出主要影响源项和主要影响因子。并对输入-输出源项综合作用下预测出的未来某一时间的土壤重金属含量进行内梅罗综合污染指数法评估，分析预测未来某一时间的土壤环境质量状况。
[0078] 另外，所述BP-Matlab神经网络法具体为基于BP
误差反向传播算法的多层前馈神经网络，设定每个神经元只前馈到其下一层的所有神经元，没有层内联结、各层联结和反馈联结，各个神经元之间采用Sigmoid型传递函数。
[0079] 其中，所述BP-Matlab神经网络法由两部分组成：
[0080] 信息的正向传递，在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态；
[0081] 误差的反向传播，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标。
[0082] 所述BP-Matlab神经网络法的具体算法步骤为：
[0083] 步骤301、输入P个样本，m种预测方法的预测值作为输入向量Xki，其中，k为样本数，k＝1，2，3，…，P；i为预测方法序号，i＝1，2，3，…m，各个历史数据真实值为神经网络的输出Tki，对每个输入样本进行如下迭代；
[0084] 步骤302、计算网络的实际输出为Oks，表示为第k个样本数中第s 种预测方法的实际输出：
[0085] Oks＝f(∑wjiOki+θj)，其中f为计算关系，j为预测方法序号；
[0086] 步骤303、计算输出层和输入层的训练误差分别为：
[0087] 输出层训练误差δkj＝(T-Okj)Okj(1-Okj)，其中T为真实值的输出；
[0088] 输入层训练误差δkj＝Okj(1-Okj)∑δkmwmj；
[0089] 步骤304、计算修正权值和阈值：
[0090] 修正权值wji(t+1)＝wji(t)+ηδkiOkj+α[wji(t)-wji(t-1)]，
[0091] 阈值θj(t+1)＝θjηδj+α[θj(t)-θj(t-1)]，t为赋值次数，η、α均为人为确定的计算因子；
[0092] 步骤305、当每经历1至P后，判断整个样本集的均方误差是否满足预先设定精度：
[0093]
[0094] ε为预先设定精度； 为第k个样本误差。
[0095] 对某一训练样本使用上述算法，通过误差反传调整各层网络单元的权系数，输入所有训练样本，重复以上步骤，使输出误差限制在规定的范围内，此时权系数则不再改变。通过计算机迭代运算，达到误差允许范围为止，对于所有学习样本，均按上列算法计算，最后固定权值系数及
阀值，学习训练过程结束，模型建立。
[0096] 本发明提出一种从输入源项方面对土壤环境质量进行预警的创新性的风险评估方法，此方法不但可以对调查区域内土壤的未来某一时段内的环境质量进行预测，而且可以分析每个源项对土壤中重金属含量的贡献率和影响程度。从而有利于从源头上有效控制土壤重金属的污染，制定高效且具有针对性的修复策略。
[0097] 另外，基于前述评估方法，如图3至图5所示，在本发明实施方式中还提供了一种土壤重金属污染评估的测试探头，包括插入基座1和检测套管2，所述检测套管2固定安装在所述插入基座1顶部，在所述检测套管2 顶部通过环形槽3活动安装有顶罩4。
[0098] 在本实施方式中，插入基座1的作用在于将整个测试探头送入地下指定的深度，由于在本发明中探测的是土壤，因此，其深度必然不会太深，对于不同的探测需求可以更换不同的长度规格的插入基座1，以满足不同的检测需求。
[0099] 检测套管2是当插入基座1插入指定深度后来检测当前深度的土壤状态的检测探头，在本实施方式中检测探头的具体类型均采用现有的传感探头，检测套管2的作用在于将检测探头聚合起来以满足本发明中对于土壤检测的需求。
[0100] 顶罩4是通过活动安装的方式套装在检测套管2内，而且在本实施方式中，顶罩4是呈半球状倒扣在检测套管2上的，一方面可以起到遮蔽作用，以满足本实施方式中周期性的野外探测需求，保护
电子部件少受外部环境的侵蚀和影响，提高检测的寿命和同一装置检测的连续性。
[0101] 所述插入基座1由递进端管101和检测套筒102组成，所述递进端管 101和检测套筒102固定连接形成一体化结构，且所述递进端管101和检测套筒102内部均呈中空状，在所述检测套筒102的外边缘通过嵌入安装有若干组均匀分布的水准器103。
[0102] 在上述中，递进端管101和检测套筒102内部均呈中空状，在插入的过程中土壤会通过递进端管101进入到检测套筒102内，通过土壤进入的自重实现监测探头的自我增重，以达到更加平衡的目的。而设置在检测套筒102边缘的水准器103，其作用在于检测整个检测系统处于特定的
角度上，以便及时根据检测的结果进行人为的校正。
[0103] 所述检测套管2包括内筒201和外筒202，所述内筒201内通过十字架 203套设有探头安装架204，在本实施方式中，十字架203的作用是给多个检测探头提供载位，它是活动安装在内筒201内的，并且可以绕着内筒201 的中
心轴线旋转，以使得依附在上面的探头可以发生转动满足不同的检测体位需求。
[0104] 所述探头安装架204顶部和所述顶罩4之间通过扣合连接，顶罩4的扣合连接相当于在中心
位置再次设置一个连接关系，提高连接的
稳定性，因此，在本实施方式中顶罩与探头安装架204的连接关系以及检测套管2 与顶罩4之间的连接关系是互为补充的，两者之间并不会产生矛盾。
[0105] 所述探头安装架204上由上至下通过夹片205依次安装有若干个探头载位206，且在所述外筒202和所述内筒201对应的位置设置有检测窗口 207，在所述检测窗口207内侧固定安装有筛网208。
[0106] 关于检测探头在本实施方式中的具体检测方式为：
[0107] 检测探头随着十字架设置在内筒内，并且在初始位置时也是对应着检测窗口的，此时由于整个系统已经插入土壤中，土壤会通过检测窗口进入到检测系统中，此时与检测探头发生
接触，从而获得相应的传感数据，需要说明的是设置的筛网作用并不是过滤，而是起到一个简单的间隔作用，即防止土壤和检测探头过分接触，使得两者完全贴合在一起，在后期中不能发生转动，影响整个的测试效果。
[0108] 为了使得十字架203能够灵活的套设在内筒中，在所述十字架203的顶部均安装有橡胶形变端头209，在所述内筒201的内壁上设置有与所述十字架203贴合接触的持平凹槽210，此时橡胶形变端头209能够发生形变，在人为外
力的干预下可以从持平凹槽210中取出或者卡入。
[0109] 为了区分不同的检测探头，在所述顶罩4上对应扣合连接处设置有若干个标识区401，所述标识区401与所述探头安装架204的位置一一对应，通过在标识区401上设置不同的标识可以对检测探头的标识，从而在不打开顶罩的前提下也可以准确的进行转动，以满足不同体位的检测需求。
[0110] 另外，需要说明的是，所述顶罩4通过底板402封装有数据处理器403，所述数据处理器403在所述底板402上设有若干个连接端口404。不同的检测系统之间可以通过连接端口实现
串联或者并联，即不需要每一个检测系统之间均单独布设一根数据线，可以通过连接端口与其它的检测系统之间建立联系，借用同一根数据线实现数据的传输，这种传输方式一方面可以节省布设的数据线，另外一方面还可以提高布设效率。
[0111] 虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
