论文部分内容阅读
土壤是人类赖以生存的重要自然资源,也是生态环境的重要组成部分。近年来,土壤重金属污染形势不断加剧并产生了严峻的后果,加剧了耕地资源紧缺,影响了农产品生产安全,并严重威胁了健康安全,土壤重金属污染防控和治理已成为当前自然资源与生态环境保护工作的重要内容。掌握区域土壤重金属含量的空间信息与变化特征,是土壤资源优化利用、土壤环境保护和防治的重要前提。但受人力、物力、时间等因素的限制,大量土壤野外采样和室内测试分析以掌握土壤重金属空间分布状况并不现实。因此,运用合理的方法,通过较少样点的数据预测掌握区域土壤重金属含量空间分布具有重要作用。当前,地学统计、模糊聚类、神经网络等方法已较广泛地应用于土壤重金属的空间分布预测研究,但对于不同模型预测精度的比较则研究较少。鉴于此,本论文拟开展不同建模因素和模型种类下区域土壤重金属空间预测的精度比较和优选研究,以探索和改进土壤重金属的空间预测技术方法。论文以江苏省常州市金坛区为研究区,依托国家自然科学基金(41771243)、江苏省国土资源科技项目(201406)和国土资源部公益性行业科研专项(20151001-03),选取了180个样点进行土壤样品采集、测试,并收集研究区土地利用数据、基础地理信息数据等其他来源数据,从源汇关系、空间分异及二者结合三个方面考虑建模因素,运用线性回归、地统计学插值、神经网络、地理加权回归等多种类型模型,构建研究区土壤Cd、Pb、Cr、Cu、Zn空间分布模型,并在此基础上进行各方法土壤重金属含量预测的比较、优化和综合运用研究。论文得到结论如下:(1)比较线性回归模型中传统LUR模型与LUR-S模型的拟合优度及预测精度可以发现,相对于仅考虑土壤重金属源影响因子的LUR模型,考虑了土壤重金属源、汇影响因子的LUR-S模型拟合效果更好,预测精度总体上更高,故在构建土壤重金属空间分布预测模型时应考虑源、汇两方面的因素。(2)通过线性回归LUR-S模型与神经网络BP-S模型、地统计学插值OK模型与神经网络BP-K模型的对比可以发现,总体而言BP-S、BP-K模型的拟合优度及预测精度较LUR-S模型、OK模型更高,预测结果优于LUR-S模型、OK模型,说明神经网络类型模型因考虑了空间聚类、变量间非线性关系等数量关系,其预测结果较线性回归模型以及普通地统计学插值模型更加精确。(3)对比各模型对研究区全域重金属含量分布预测可以发现,改进的神经网络BP-SK模型和地理加权回归(GWR)模型因考虑了源汇关系和地理空间分布两方面建模因素,其预测结果综合了基于源汇关系的模型和基于空间分异的模型双方面的关键信息,总体而言,BP-SK模型、GWR模型的预测结果与参比分布最为相近。(4)根据各模型对研究区全域土壤重金属预测精度可知,神经网络模型BP-SK、BP-S、BP-K对Cd含量的预测精度较高,基于地理空间分布的BP-K和OK模型对Pb含量的预测精度较高,GWR、BP-K模型对于Cr的预测精度较高,GWR模型及神经网络模型BP-S、BP-K、BP-SK对Cu的预测精度较高,GWR模型与线性回归LUR-S模型对于Zn含量的预测精度较高。(5)从总体上看,BP-S模型在西部丘陵山地区的土壤重金属含量预测精度最优,BP-SK和BP-S模型在中部平原城乡区的预测精度最优,BP-SK和GWR模型对东部平原农业区的预测结果最优。(6)在部分预测结果中,基于源汇关系及空间分异双重考量的模型预测结果与仅基于源汇关系的模型预测结果差异较小,其原因可能在于在基于源汇关系的模型变量中,包含有具有与所预测重金属空间分异特征类似的变量,从而在基于源汇关系的模型中隐性地加入了空间分异信息。