当前位置:主页 > 科技论文 > 环境工程论文 >

基于TM影像的沱江中游土壤重金属预测研究

发布时间:2018-01-15 04:18

  本文关键词:基于TM影像的沱江中游土壤重金属预测研究 出处:《四川农业大学》2015年硕士论文 论文类型:学位论文


  更多相关文章: TM 土壤重金属 预测建模 空间特征


【摘要】:为找到一种简便快捷的土壤重金属污染定量化监测方法,本文利用TM遥感影像的各波段光谱反射率、9种植被指数、4种地面辅助因子和80%样点土壤重金属含量实测值建立线性回归预测模型,将未参与建模但与土壤重金属含量显著相关的因子作为修正因子进行蒙特卡罗模拟。剩余的20%样点作为检验点对各类模型进行趋势分析和误差统计检验。最后采用普通克里格方法反演实测值、预测值的空间分布状况,对比其差异。主要结论如下:运用TM影像光谱信息和其他因子可以通过建立模型预测土壤中重金属砷、汞、铬、镉、铜、铅、有效锰、有效铁、有效锌的含量,其中有效铁的预测效果最优。使用的建模因子是从TM遥感影像、数字高程模型中提取的,容易获取,能有效节约成本和时间。遥感影像各波段光谱反射率单独建模、结合地面因子共同建模、不同地貌分别建模这三种建模均可预测研究区土壤重金属含量(P0.01),R2值、平均误差、总均方根误差及平均相对误差值显示三种建模方式的精度是递增的。因此在地貌复杂的地区利用遥感研究土壤重金属有必要分地貌建立预测模型。蒙特卡罗模拟对预测模型有修正作用,砷、汞、铬、镉、铜、铅、有效锰、有效铁、有效锌蒙特卡罗模拟修正后的预测模型其均方根误差比修正前的线性回归预测模型分别降低了22.7%、18.0%、37.7%、36.2%、13.5%、30.5%、5.4%、25.2%、11.9%,表明蒙特卡罗模拟可以提高模型精度。但修正因子与目标值相关程度的差异会使不同修正因子的效果不同。趋势分析、误差统计检验以及空间分布图显示:砷的波段2和大气抗阻植被指数平均法修正预测模型效果最佳,汞的波段3修正预测模型效果最佳,铬的归一化植被指数修正预测模型效果最佳,镉的坡度修正预测模型效果最优,铜的有效叶面积植被指数修正预测模型效果最优,铅的波段5和土壤显色指数几何平均法修正预测模型效果最佳,有效锰的波段3修正预测模型效果最佳,有效铁的波段1修正预测模型效果最佳,有效锌的波段7和有效叶面积植被指数几何平均法修正预测模型效果最佳。
[Abstract]:In order to find a simple and fast quantitative monitoring method for soil heavy metal pollution, the spectral reflectance of TM remote sensing image was used to measure the soil heavy metal pollution by using the spectral reflectance of the TM image. A linear regression prediction model was established for 4 kinds of ground auxiliary factors and 80% sample soil heavy metal contents. Monte Carlo simulation was carried out by using factors which were not involved in modeling but were significantly related to soil heavy metal content. The remaining 20% samples were used as test points for trend analysis and error statistical test of various models. Then the common Kriging method is used to retrieve the measured data. The main conclusions are as follows: using TM image spectral information and other factors, we can predict the heavy metals arsenic, mercury, chromium, cadmium, copper and lead in soil by establishing models. The content of available manganese, iron and zinc, among which the prediction effect of available iron is the best. The modeling factors used are extracted from TM remote sensing image, digital elevation model, easy to obtain. It can save cost and time effectively. The spectral reflectance of each band of remote sensing image can be modeled separately and combined with ground factors. The three models can predict the soil heavy metal content (P0.01C ~ (2)) and average error in the study area. The total root mean square error and the average relative error show that the accuracy of the three modeling methods is increasing. Therefore, it is necessary to establish a geomorphological prediction model by remote sensing in areas with complex geomorphology. It can modify the prediction model. For arsenic, mercury, chromium, cadmium, copper, lead, available manganese, available iron and available zinc, the root-mean-square error of the modified model is 22.7% lower than that of the linear regression model. 18.0 37.7%, 36.2%, 30.5%, 30.5%, and 30.5%, about 25.20.5% and 11.9%. The results show that Monte Carlo simulation can improve the accuracy of the model, but the difference between the correction factor and the target value will make the effect of different correction factors different. The error statistical test and spatial distribution map showed that the modified prediction model of arsenic in band 2 and the average method of atmospheric resistance vegetation index was the best, and the modified model of mercury in band 3 was the best. The effect of normalized vegetation index correction model of chromium is the best, that of cadmium slope correction model is the best, and that of copper effective leaf area vegetation index correction model is the best. Band 5 of lead and geometric average of soil color index were the best, band 3 of effective manganese and band 1 of effective iron were the best. Band 7 of available zinc and geometric average of vegetation index of effective leaf area are the best.
【学位授予单位】:四川农业大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:X87;X833

【相似文献】

相关期刊论文 前10条

1 邱兆宝;成纱质量预测模型研讨[J];纺织学报;1988年09期

2 刘沐宇,郑泽岱;灰色预测模型及在巷道收敛位移中的应用[J];非金属矿;1992年05期

3 黄伏生;赵永胜;;一种含水预测模型的补充说明[J];石油勘探与开发;1992年02期

4 黄建,沈菁,李谦,甘云润;大气中硫氧化物预测模型的建立[J];干旱环境监测;1993年04期

5 徐玉卿,魏运财;人才需求的预测模型[J];吉林化工学院学报;1996年04期

6 赵秀菊;水污染的灰色预测模型及其应用[J];昌潍师专学报;2000年05期

7 王香菊,顾涛;专门人才预测模型的应用研究[J];煤炭经济研究;2003年06期

8 赵永胜;黄秀祯;;递减曲线的多功能预测模型[J];石油勘探与开发;1985年05期

9 高建华;灰色灾变预测模型的改进及实例分析[J];自然灾害学报;1995年02期

10 王新泉,陈东生,,长井茂明,日下部信幸;灰色预测模型在纺织工业上的应用[J];郑州纺织工学院学报;1995年03期

相关会议论文 前10条

1 鄢小彬;肖新平;;基于灰色马尔可夫模型的煤矿安全预测[A];第九届中国青年信息与管理学者大会论文集[C];2007年

2 罗荣桂;黄敏镁;;基于自适应神经模糊推理系统的服务业发展预测模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;刘豹;徐德民;;预测模型的选择及其智能化实现[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

4 肖健华;吴今培;;基于支持向量机的预测模型及应用[A];2003年中国智能自动化会议论文集(下册)[C];2003年

5 李阳旭;邓辉文;;一种新的企业市场预测模型及其比较研究[A];2004年中国管理科学学术会议论文集[C];2004年

6 马志元;;城市区域经济、人口、能源、环境综合系统预测模型及应用[A];中国城市建设与环境保护实践——城市建设与环境保护学术研讨会论文集[C];1997年

7 李兆芹;姚克敏;;一种新的疾病发病率预测模型研究[A];首届长三角气象科技论坛论文集[C];2004年

8 李兆芹;姚克敏;;一种新的疾病发病率预测模型研究[A];首届长三角科技论坛——气象科技发展论坛论文集[C];2004年

9 张晓f^;;全球煤炭产量的灰色预测模型[A];中国现场统计研究会第十三届学术年会论文集[C];2007年

10 肖会敏;樊为刚;;基于神经网络的粮食产量预测模型[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

相关重要报纸文章 前10条

1 刘庆;“预测模型”要缓行[N];网络世界;2006年

2 特约记者 刘京涛;华东化工销售员工设计价格预测模型见成效[N];中国石油报;2010年

3 南方日报记者 彭琳 实习生 周鹏程;预测世界杯之外 大数据还能做什么[N];南方日报;2014年

4 本报记者 张超;预测模型:推算SARS起落潮[N];科技日报;2003年

5 本报记者 段佳;机器“品肉师”替您“尝鲜”[N];大众科技报;2010年

6 BMC首席IT技术官 Mahendra Durai IDC顾问 Eric Hatcher Randy Perry;预测智能:管理复杂基础架构的锁钥[N];中国计算机报;2010年

7 张琳 赵伟;巧用Excel构建利润预测模型[N];财会信报;2007年

8 杨宜勇(作者为国家发改委经济研究所副所长);发挥信息化对就业的“增补效应”[N];第一财经日报;2005年

9 本报记者 汤浔芳 实习记者 董文萍;“孵化器”模式:大数据的垂直运营样本[N];21世纪经济报道;2014年

10 本报记者 安丰;深部找矿的探镜[N];中国国土资源报;2006年

相关博士学位论文 前10条

1 师懿;城市交通规划环评中空气污染预测模型研究[D];中国地质大学;2015年

2 张丽;牦牛肉用品质特性及近红外预测模型和产量等级系统的研究[D];中国农业科学院;2015年

3 吴利丰;分数阶灰色预测模型及其应用研究[D];南京航空航天大学;2015年

4 周闯;原发性肝癌术后转移复发分子预测模型的优化整合与临床转化[D];复旦大学;2012年

5 孙忠林;煤矿安全生产预测模型的研究[D];山东科技大学;2009年

6 王冬光;控制技术在投资预测模型建立中的应用研究[D];哈尔滨工程大学;2005年

7 张丽峰;中国能源供求预测模型及发展对策研究[D];首都经济贸易大学;2006年

8 王育红;灰色预测模型与灰色证据组合模型研究及应用[D];南京航空航天大学;2010年

9 崔立志;灰色预测技术及其应用研究[D];南京航空航天大学;2010年

10 崔杰;灰色不确定系统建模的理论与方法研究[D];南京航空航天大学;2010年

相关硕士学位论文 前10条

1 刘冰;基于神经网络的纤维热磨过程能耗预测模型的研究[D];东北林业大学;2015年

2 张念;铁路轨道几何不平顺趋势预测的关键算法研究[D];西南交通大学;2015年

3 田振伟;城市能源预测模型的研究与应用[D];昆明理工大学;2015年

4 吴迪;基于模糊决策树算法的安全库存量预测模型[D];中国地质大学(北京);2015年

5 齐雯;采用灰色预测模型改进的HHT算法在故障诊断中的应用[D];华南理工大学;2015年

6 王萍;膀胱癌遗传分数的计算及发病风险预测模型的构建[D];复旦大学;2013年

7 石大宏;基于序列的蛋白质—核苷酸绑定位点预测研究[D];南京理工大学;2015年

8 熊盛华;基于BP神经网络的混合预测模型的实例研究[D];兰州大学;2015年

9 赵Z

本文编号:1426755


资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/1426755.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户3aeda***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com