基于深度学习的土壤重金属空间估测变异函数多尺度套合模型最优拟合

Application of geostatistical methods to interpolate the spatial distribution of heavy metals in soil is the foundation for the environmental quality and safety assessment of agricultural production area, the boundary classification of the origin safety level and the remediation of soil pollution. Variogram is the core of the spatial interpolation method of Geostatistics. However, most of the variogram that used in current research are single scale, and the selection of function types and setting of parameters have certain subjectivity. Taking regional characteristics of the spatial distribution of heavy metals in soil as breakthrough point, this program aims to establish a method of robust identification and optimal processing of specific values, and establish a scale division method based on the comprehensively depict of the scale dependence and anisotropy of the spatial distribution of heavy metals in soil. Combined with the single scale variogram model adaptive optimization method, this program builds a multiscale nested model for estimating the spatial distribution of heavy metals in soil. And based on the deep learning algorithm, the parameter optimization and fitting technology of variogram multiscale nested model is innovating. Moreover, comprehensively integrate the research results of theoretical and methodologies derived from the present study, this program develops an open source tool that used to fitting the multiscale nested model based on the mainstream GIS software platform. This program tries to make a theoretical, technical, and practical breakthrough of the optimal fitting method of multiscale nested model for estimating the spatial distribution of heavy metals in soil, and improve the he interpolation precision of the spatial distribution of heavy metals in soil.

应用地统计学方法进行土壤重金属空间分布高精度插值是农产品产地环境质量安全评估、产地安全等级边界划分和土壤污染修复研究的重要基础。变异函数是地统计学空间插值方法的核心，而现有研究采用的变异函数多是单一尺度、且函数类型选择和参数设置带有一定主观性。本项目拟从土壤重金属空间分布的区域特征为切入点，研究特异值稳健识别和最优处理方法，全面刻画土壤重金属空间分布的尺度依赖性和各向异性，建立尺度划分方法；基于研建的单一尺度变异函数模型自适应优选方法，构建土壤重金属含量空间分布变异函数多尺度套合模型，并基于深度学习算法创新变异函数多尺度套合模型参数优化拟合方法；综合集成理论方法研究成果，研发基于主流GIS软件平台的土壤重金属空间估测变异函数多尺度套合模型最优拟合开源工具。本项目力图实现土壤重金属空间估测变异函数最优拟合方法理论上、技术上、实践上的突破，从本质上提升空间插值精度。

土壤重金属空间分布的高精度、低成本插值结果是农产品产地环境质量安全评估、产地安全等级边界划分和土壤污染修复等研究的重要基础，变异函数是地统计学空间插值方法的核心，但是现有研究采用的变异函数多是单一尺度，而且理论函数模型的选择和参数设置带有一定主观性。本项目主要完成了以下研究内容：（1）以湖南省湘潭县为研究区，对土壤采样点重金属含量检测数据进行探索性分析，分析了导致变异函数不稳健性的机理，提出了空间特异值识别和处理的自适应选择方法，明晰了研究区土壤重金属空间分布的全局趋势、自相关性、尺度依赖性和各向异性；（2）探索了土壤重金属空间估测的距离和角度划分机制，确定了方向划分和尺度划分机制，建立了变异函数多尺度划分方法，构建了单一尺度变异函数模型自适应优选方法，建立了土壤重金属空间估测变异函数多尺度套合模型，精确刻画了土壤重金属空间分布特征；（3）设计了变异函数多尺度套合模型层数和结点数，建立了超参数调整策略，采用深度前馈神经网络优化了模型参数拟合方法，解决了模型多参数（且参数数量可变）非线性问题，构建了土壤重金属空间估测变异函数最优性检验指标体系，评价了变异函数在克里格估值计算中的应用效果；（4）综合集成上述理论方法研究成果，采用Python语言开发了土壤重金属空间估测变异函数多尺度套合模型最优拟合软件，通过可视化和交互式降低了模型构建及其参数最优拟合方法的应用难度，为相关领域研究提供了良好工具；（5）提出了一种基于深度学习的土壤重金属污染风险区划分方法，科学定量划定了区域土壤重金属污染多级风险区，应用本项目研发的软件工具，开展了基于土壤重金属生态风险评价的“湘莲+”种植区划研究，为地方政府合理规划和优化布局乡村产业资源提供了科学决策支持。该项目成果可实现土壤重金属高精度空间估测，进而为农产品安全生产区划、土壤污染风险评价和土壤修复治理等工作提供技术方法和工具软件服务。