一种重金属污染的土壤环境的综合评价方法与流程

本发明涉及污染安全评价技术领域，更具体的，涉及一种重金属污染的土壤环境的综合评价方法。

背景技术：

伴随我国经济的高速发展，工业污染及资源开采过程中引发的生态环境污染、土壤污染不容忽视，全国土壤点位超标率为16.1％，尤其是土壤重金属污染，它会通过不同的途径影响到食物链：全国每年1200吨粮食受到了重金属污染，损失约200亿人民币，同时人类的身体健康也会受到或大或小的影响。2016年5月，中国印发了《土壤污染防治行动计划》(简称“土十条”)，随着“土十条”的施行，我国的污染土壤修复事业逐渐步入正轨。

目前，对重金属污染土壤修复主要有物理化学修复及植物修复两类方法。其中，植物修复具有投入较低、环境友好等优点，较为推崇应用。两类修复手段都受到关注并已投入研究取得了一定成果。然而，重金属污染土壤修复修复效果如何，是否达到预定的目标或标准，关系着土地修复后的土壤能否重新使用，是否还会对土壤生态系统和人类的健康构成威胁，是否需要实施进一步的修复手段等等，这些问题都需要对修复后的土壤进行修复效果评价。

传统的土壤重金属污染评价主要是对重金属去除效果的直观评价，如单因子指数法、内梅罗综合污染指数法、地积累指数法、潜在生态危害指数法等，但单纯依靠土壤中污染物全量无法综合表征其对周边植物、动物及人体等的风险，不利于对修复效果进行全面可信的评价，从而不利于修复后土地再利用。

植物、动物和微生物在生长、生存和繁殖方面的资源分配有很大的差异，即使在很小的空间范围内，也会产生各种各样的形式和功能。近来也有研究开始将土壤理化性质、植物响应、微生物相应两两结合或者三者结合作为土壤修复效果评价的指标，相对于传统的土壤评价较为全面，但仅靠各项数据的对比，不成体系。土壤动物功能特征，如外形特征、生育特征等，已被证实可作为生态系统评价的工具，基于性状的方法已被成功地用于预测土壤动物对非生物胁迫的响应，但极少被用于评价重金属修复效果评价中。

王诗忠团队曾建立了一个土壤理化性质、植物响应、微生物相应三者综合的体系，并将数据利用数学方法归一化，将结果分数控制于0-1之间，较为直观地、系统地对比了不同土壤重金属下植物修复方法的修复效果。但该体系中指标较多，各个指标对应的要用于计算的公式较为繁杂。另外，评价结果对人的主观判断有所依赖，评价结果的准确性和合理性都有所欠缺。

综上，一个更加全面的、应用性更强以及更加客观的重金属污染的土壤环境的综合评价方法有待发展。

技术实现要素：

本发明为了解决现有的对土壤环境的综合评价方法，其评价结果对人的主观判断有所依赖，评价结果的准确性和合理性都有所欠缺的问题，提出一种重金属污染的土壤环境的综合评价方法，其综合考虑土壤中的重金属含量等的土壤理化性质对植物、微生物、土壤动物的影响，利用机器学习的方法，从而能够更加全面、客观地评价重金属污染的土壤环境情况。

为实现上述本发明目的，采用的技术方案如下：一种重金属污染的土壤环境的综合评价方法，所述的综合评价方法包括步骤如下：

s1：从植物、土壤理化性质、土壤动物和土壤微生物四个层面选取指标；

s2：从受重金属污染的区域和同地区未被人为破坏的区域进行采样，并对各项指标进行测定，然后对各项指标测定的原始数据进行归一化处理；

s3：分别对各层面的指标进行相关性分析，剔除掉相关性大于t的指标，剩下的指标作为优选指标，并将优选指标的数据作为样本空间；

s4：利用k-means聚类方法对样本空间中受重金属污染地区的归一化后的数据进行聚类，得到聚类后的分组；

s5：计算同地区未被人为破坏的区域的样本各项优选指标的归一化后的数据的均值作为最优点，并计算最优点到各个分组的聚类中心的欧式距离，对属于欧氏距离最小的分组里的数据给出最好的评分，对属于欧氏距离最大的分组里的数据给最差的评分，其他分组的评分亦按照欧式距离大小给出，完成综合评价。

优选地，步骤s1中，所述植物的指标包括植物物种多样性、植物密度、植物重金属含量。

进一步地，步骤s1中，所述土壤理化性质的指标包括土壤ph、土壤重金属含量、重金属有效态含量和营养元素含量。

再进一步地，步骤s1中，所述土壤动物的指标包括土壤动物多样性、土壤动物功能特征。

再进一步地，步骤s1中，所述土壤微生物的指标包括微生物多样性、微生物量和酶活性。

再进一步地，步骤s2中，对各项指标测定的原始数据进行归一化处理，具体是通过以下公式将不属于[0,1]之间的指标的值转化为[0,1]区间内的值；

其中公式表达式如下：

其中，xi为第i个样本的某项指标的值，xmin为该项指标在所有样本中的最小值，xmax为该项指标在所有样本中的最大值，yi为xi归一化后的结果。

再进一步地，步骤s3中，所述的相关性分析采用余弦定理，即：

利用余弦定理计算两个指标向量空间的余弦相关性，其中k为某一层面，ki为某一层面的指标i，kj为某一层面的指标j。

再进一步地，步骤s4中，所述的k-means聚类方法，其具体步骤如下：

s401：确定一个k值，即将数据集经过聚类得到k个集合；

s402：从数据集中随机选择k个数据点作为质心；

s403：对数据集中每一个点，计算其与每一个质心的欧式距离，与质心的欧氏距离最小的点，划分到该质心所属的集合；

s404：把所有数据划分好集合后，得到k个集合；

s405：重新计算每个集合的质心；

s406：如果新计算出来的质心和原来的质心之间的距离小于或等于某一个设置的阈值，则认为聚类已经达到期望的结果，算法终止；

s407：如果新计算出来的质心和原来的质心之间的距离大于某一个设置的阈值，则返回步骤s403～s406进行迭代。

本发明的有益效果如下：

本发明的评价方法中，对植物、土壤理化性质、土壤动物和土壤微生物方面的指标进行综合评价，并且采用k-means聚类的机器学习方法，而不是传统基于人的主观判断的方法，适用于全面、准确、科学评价重金属污染的土壤环境的情况。

附图说明

图1是实施例1所述的重金属污染的土壤环境的综合评价方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

如图1所示，一种重金属污染的土壤环境的综合评价方法，所述的综合评价方法包括步骤如下：

步骤s1：从植物、土壤理化性质、土壤动物和土壤微生物四个层面选取指标；

其中所述植物的指标包括植物物种多样性、植物密度、植物重金属含量。

所述土壤理化性质的指标包括土壤ph、土壤重金属含量、重金属有效态含量和营养元素含量。

所述土壤动物的指标包括物种多样性和土壤动物功能特征，本实施例选取土壤动物体长代表土壤动物功能特征。

所述土壤微生物的指标包括微生物多样性、微生物量和酶活性。

步骤s2：从受重金属污染的区域和同地区未被人为破坏的区域进行采样，并对各项指标进行测定，然后对各项指标测定的原始数据进行归一化处理；

其中，对各项指标测定的原始数据进行归一化处理，具体是通过以下公式将不属于[0,1]之间的指标的值转化为[0,1]区间内的值；

其中公式表达式如下：

其中，xi为第i个样本的某项指标的值，xmin为该项指标在所有样本中的最小值，xmax为该项指标在所有样本中的最大值，yi为xi归一化后的结果。

步骤s3：由于同类指标间可能会存在共性，因此对参与评价的指标进行相关性分析。本实施例分别对各层面的指标进行相关性分析，剔除掉相关性大于t的指标，剩下的指标作为优选指标，并将优选指标的数据作为样本空间；

其中步骤s3中，所述的相关性分析采用余弦定理，即：

利用余弦定理计算两个指标向量空间的余弦相关性，其中k为某一层面，ki为某一层面的指标i，kj为某一层面的指标j。

在计算相关性时，两个指标向量之间夹角的余弦值越接近于1，则这两个指标的相关性越高；如果两个指标向量之间夹角的余弦值越接近于0，则这两个指标之间的相关性越低。所以本实施例所述的0<t<1，t值的大小可根据经验设置。

s4：利用k-means聚类方法对样本空间中受重金属污染地区的归一化后的数据进行聚类，得到聚类后的分组；

步骤s4中，所述的k-means聚类方法，其具体步骤如下：

s401：确定一个k值，即将数据集经过聚类得到k个集合；

s402：从数据集中随机选择k个数据点作为质心；

s403：对数据集中每一个点，计算其与每一个质心的欧式距离，与质心的欧氏距离最小的点，划分到该质心所属的集合；

s404：把所有数据划分好集合后，得到k个集合；

s405：重新计算每个集合的质心；

s406：如果新计算出来的质心和原来的质心之间的距离小于或等于某一个设置的阈值，则认为聚类已经达到期望的结果，算法终止；

s407：如果新计算出来的质心和原来的质心之间的距离大于某一个设置的阈值，则返回步骤s403～s406进行迭代。

s5：计算同地区未被人为破坏的区域的样本各项优选指标的归一化后的数据的均值作为最优点，并计算最优点到各个分组的聚类中心的欧式距离，对属于欧氏距离最小的分组里的数据给出最好的评分，对属于欧氏距离最大的分组里的数据给最差的评分，其他分组的评分亦按照欧式距离大小给出，即本实施例对于欧氏距离越小的数据，给出的评分越好，相应的欧氏距离越大的数据，给出的评分越差。由此完成综合评价。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。