用户,您好!欢迎您进入农业立体污染防治平台!登录 | 注册  NSTL重点领域信息门户  帮助中心  RSS
您当前的位置: 首页 > 编译内容

编译内容

编译服务: 农业立体污染防治 编译者: 季雪婧 编译时间: Sep 9, 2019 点击量: 910

  1. 污染场地土壤复合型污染较为常见,但关于复合型污染物的三维精细刻画研究长期来受到3方面的制约:①关注污染物三维插值结果的可视化表征;②场地土壤质地对污染物刻画的影响和污染物各向异性特征;③污染场地具有“污染土体深,污染物空间变异大,钻井点位少”的特点。砷和多环芳烃是场地中常见的污染物,两者共存会引发毒性增强的交互效应,因此对这两类污染物复合的精细刻画对于修复方案的制定意义重大。本研究将Ordinary Kriging地统计方法与BP神经网络法结合,对研究区域关注的砷和4类多环芳烃的复合型污染场地土壤进行三维模拟,分析不同地层(Fig. 1)中5类关注污染物的赋存特征并进行三维可视化表征,定量化污染物的污染范围和污染程度,识别污染物热点区。通过将BP神经网络的模拟结果与传统的内梅罗污染指数法、简单空间几何范围叠加法进行比较,验证了BP人工神经网络在污染场地土壤污染程度的三维表征的可行性(Fig. 1)。本项研究可应用于对复合型污染场地的污染范围的三维精细刻画,为面向污染土壤测土配方精准靶向修复提供方法支撑。   

  2. 喀斯特地区复杂的自然地貌和人文环境交互,导致对该区域的土壤重金属污染驱动机制尚不明确。将自组织神经网络(self-organizing map, SOM)与地理信息技术相结合可实现对喀斯特地区高密度采样土壤重金属污染数据进行空间聚类、解译和可视化,既保留数据的属性特征又保留数据的空间结构特征。SOM网络聚类的结果根据一定的准则进行污染分级,并结合地理信息技术进行空间表达,为探索土壤污染发生机制提供图形化参考。通过分析该地区的重金属污染因子,本研究共识别出4类污染因子、11个高污染风险区 (Fig. 2)。这一发现可为土壤环境质量管理和污染防治提供指导,为进一步探索区域土壤重金属元素的地球化学行为和异常区重金属污染形成机制提供参考。

  研究成果发表在《Geoderma》和《Journal of Geographical Sciences》,得到中国科学院A类战略性先导科技专项“地球大数据科学工程”(XDA19040302)的资助。   

  1. Tao Huan, Liao Xiaoyong, Zhao Dan, et al. Delineation of soil contaminant plumes at a co-contaminated site using BP neural networks and Geostatistics[J]. Geoderma, 2019. DOI: 10.1016/j.geoderma.2019.07.036.   

  2. Liao Xiaoyong, Tao Huan, Gong Xuegang, et al. Exploring the database of soil environment survey using Geo-self-organizing-map : A pilot study[J]. Journal of Geographical Sciences, 2019, 29(10): 1610-1624.

 

提供服务
导出本资源