一种预测冻融作用下土壤中氮素流失量的方法与流程

1.本发明属于农业环境污染预测领域，涉及一种基于最小二乘支持向量机(ls-svm)的机器学习方法预测冻融作用下土壤氮素损失量。


背景技术：

2.据调查研究，我国冻深＞0.5m的季节冻土面积达443万平方公里，占国土面积的46.3％。在季节冻土区冻融交替使得土壤的理化性质发生变化。冻融交替导致土壤容重降低，孔隙度增大，土壤水分含量增加，加速有机氮矿化速率，提高土壤无机氮含量，造成土壤无机氮溶于大量水分中，在融化过程中，随着水分迁移，加剧水体富营养化和地下水硝酸盐污染。而农田氮肥的不合理使用，会加剧上述问题。在冻土区农田施用氮肥时，需要充分考虑冻融作用对土壤氮素流失的影响。因此，迫切需要开发相应的方法，预测冻融作用下土壤氮素的流失量，从而指导氮肥使用，更好地保护农田环境。
3.在以往针对冻融对氮流失影响的研究中，往往需要进行大量的室内、室外观测试验、土壤样品的检测试验，特别是需要开展大量人力物力的土壤淋溶试验。最小二乘向量机具有小样本学习即可具有很强的泛化能力，同时不过分依赖样本的数量和质量的优点。通过采用最小二乘支持向量机，根据冻融前的土壤氮含量及冻融次数，预测出交替冻融后的土壤氮流失量，节省了大量土壤淋溶实验。
4.本发明利用最小二乘向量机法预测冻融土壤潜在氮流失能力，对于指导环境友好型氮肥施用，防止水体富营养化和地下水硝酸盐污染，以及农业环境保护具有重要意义。


技术实现要素：

5.本发明的目的是针对现有冻融土壤氮素流失的研究存在的技术问题，提供一种测定土壤中氮素流失方法，尤其是测定季节性冻土区冻融土壤中氮素流失方法，本发明方法基于最小二乘支持向量机(ls-svm)的机器学习方法预测冻融作用下土壤氮素流失的方法，该方法将土壤冻融次数和土壤氮含量与氮流失量进行关联，并构建最小二乘支持向量机模型获得预测模型，预测结果准确，测定方法操作简单，适用性广，可用于指导环境友好型氮肥施用，防止水体富营养化和地下水硝酸盐污染。
6.为实现本发明的目的，本发明一方面提供一种预测冻融作用下土壤中氮素流失量的方法，包括首先依次对土壤进行氮素含量测定、冻融处理、淋溶处理，并分别记录对应土壤的氮含量、冻融循环次数、淋溶处理后的氮流失量；然后以土壤氮素含量、土壤冻融循环次数作为最小二乘支持向量机的输入量，土壤样品冻融后的氮素流失量作为输出量，进行训练和预测。
7.其中，所述土壤的氮素含量为土壤的全氮含量、硝态氮含量或铵态氮含量。
8.特别是，还包括将测定的土壤的氮素含量、冻融循环次数、淋溶处理后的氮流失量的数据进行归一化处理，然后将土壤氮素含量、土壤冻融循环次数相应的归一化数据作为最小二乘支持向量机的输入量，土壤样品冻融后的氮素流失量相应的归一化数据作为输出
量，进行训练和预测。
9.尤其是，所述归一化处理采用最小-最大归一化法、均值归一化法、对数函数法或反余切函数法，优选为最小-最大归一化法。
10.本发明另一方面提供一种预测冻融作用下土壤中氮素流失量的方法，包括如下步骤：
11.1)测定土壤样品的氮素含量
12.向待预测土壤中添加不同量的含氮肥料，获得不同氮含量的土壤样品，并测定土壤样品的氮含量；
13.2)对土壤样品分别进行冻融处理，并记录对应的冻融循环次数；
14.3)对冻融后的土壤样品分别进行淋溶处理，并测定淋出液中氮含量，获得冻融土壤样品的氮素流失量；
15.4)将不同土壤样品的氮含量、冻融次数作为最小二乘支持向量机的输入量，输出量为土壤样品冻融后的氮素流失量，进行学习和预测。
16.其中，步骤1)中所述的土壤为可以是任何土壤，优选为棕壤，进一步优选为季节性冻土区域的棕壤。
17.特别是，还包括将土壤风干后，再向其中添加不同量的含氮肥料。
18.尤其是，还包括测定风干土壤的原始氮含量之后，再向风干土壤中添加不同量的含氮肥料。
19.特别是，所述含氮肥料为尿素、碳酸氢铵、氯化铵或硫酸铵，优选为尿素。
20.尤其是，添加的含氮肥料的用量为每800g土壤中加入0-4g含氮肥料，优选为加入0-4g的尿素。
21.特别是，添加含氮肥料之后，控制土壤样品的含水量为0％-100％。
22.尤其是，控制土壤样品的田间持水量的90％。
23.尤其是，所述氮含量、氮素含量为全氮含量、硝态氮含量或铵态氮含量。
24.特别是，还包括将待测土壤风干、粉碎过筛，制得待测风干土壤，其中风干土壤的含水率≤5％，优选为0.5-5％；粉碎过1-4mm筛，优选为2mm筛。
25.其中，步骤2)中所述冻融处理为将土壤样品置于冻融机内，进行反复的冷冻、融化循环处理。
26.特别是，所述冻融处理的冻融循环次数为1-20次。
27.尤其是，所述冻融处理的冻融循环设置为最高温度5℃，达到温度后保持12h；最低温度-20℃，达到温度后保持12h。
28.特别是，将土壤样品置于冻融机内后，控制土壤样品的容重为1.0-1.5g/cm3，优选为1.25g/cm3。
29.尤其是，置于冻融机内的土壤样品的含水量为0％-100％。
30.特别是，控制置于冻融机内的土壤样品的田间持水量的90％。
31.其中，步骤3)中所述淋溶处理为将冻融处理后的土壤采用一次连续淋溶，即用去离子水一次连续淋洗冻融处理后的土壤，并收集全部的淋洗后的淋出液。
32.特别是，所述淋溶处理过程中去离子水的体积与冻融处理后的土壤样品的质量之比小于3:1，优选为(0.375-2.5)：1，进一步优选为0.625：1，即每1g土壤使用3ml去离子水进
行淋溶处理，优选为每1g土壤使用0.375-2.5ml去离子水淋洗。
33.其中，步骤4)中训练最小二乘支持向量机模型，所述训练即优化得到最佳的核函数参数g和惩罚参数c。
34.特别是，所述优化的最小二乘支持向量机模型的最佳的核函数参数g为2.2800；惩罚参数c为0.4130。
35.尤其是，采用网格搜索法对核函数参数g和惩罚参数c做出选择，即将训练集中归一化处理后的土壤冻融循环次数、土壤前全氮含量作为最小二乘支持向量机模型中的输入量，土壤氮流失量作为输出量，代入到最小二乘支持向量机模型中，给定核函数参数g和惩罚参数c取值区间，进行优化，得到最优的核函数参数g和惩罚参数c。
36.特别是，所述给定核函数参数g的取值区间为[0.01，10]；惩罚参数c取值区间为[0.001，0.5]。
[0037]
最小二乘支持向量机模型的核函数参数和惩罚参数对模型的预测精度有重要影响。
[0038]
将预测集中归一化处理后的土壤冻融循环次数、土壤前全氮含量作为输入量，带入到已建立的预测模型中，预测土壤氮流失量。
[0039]
本发明的预测冻融作用下土壤中氮素流失量的方法，首先第一步是对土壤依次进行冻融实验、淋溶试验，获取土壤冻融次数、土壤氮含量，计算获得氮流失量数据；其次第二步是以土壤冻融次数和土壤氮含量作为ls-svm的输入，氮流失量作为ls-svm的输出，将实验中一部分数据作为训练集数据，利用最小二乘支持向量机对训练集进行训练，构建冻融作用下土壤氮素流失的预测模型；即利用训练样本(训练集数据)对ls-svm进行训练，得到ls-svm数学模型(即冻融作用下土壤氮素流失模型)；第三步：将试验中未用的土壤冻融次数和土壤氮含量数据作为预测数据集，输入至第二步所得的预测模型中，得到土壤氮素流失的预测结果，并与实测值进行对比，确定其准确度。
[0040]
与现有技术相比，本发明方法具有如下优点和好处：
[0041]
本发明的基于最小二乘支持向量机(ls-svm)的土壤氮素流失的预测方法将土壤冻融处理前的全氮含量、土壤冻融循环次数和土壤冻融处理后淋溶导致的氮流失量三组参数结合应用，将土壤冻融处理前的全氮含量、土壤冻融循环次数作为最小二乘支持向量机的输入量，对土壤冻融后土壤氮素流失量进行预测，预测结果准确，预测精度高；预测模型能够准确反映冻融后土壤氮素流失的变化；采用本发明提供的土壤中氮素流失量的预测方法不仅预测精度高，泛化性能好，预测快速；而且预测方法操作简单，测定参数用量少，避免了繁琐的实验操作，预测模型可以用快速分析土壤冻融后的氮素流失、氮素含量测定，指导环境友好型氮肥施用，防止水体富营养化和地下水硝酸盐污染。
附图说明
[0042]
图1为本发明基于最小二乘支持向量机的冻融作用下土壤氮素流失量的预测方法的流程图。
[0043]
图2为本发明采用ls-svm模型预测值与真实值对比。
具体实施方式
[0044]
下面结合具体实施例来进一步描述本发明的基于最小二乘支持向量机(ls-svm)对冻融作用下土壤中氮素流失量的预测方法，本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。
[0045]
试验例1
[0046]
1、试验设置：
[0047]
试验用土：棕壤(取自辽宁省铁岭地区，全氮含量为1.63g/kg)，风干至含水率为2.5％(含水率通常是≤5％，优选为0.5-5％)后过2mm筛(通常过1-4mm筛)；
[0048]
试验含水量：土壤田间持水量的90％；
[0049]
氮含量设置：将不同质量的尿素添加到风干土壤(即风干棕壤)中，添加量为每800g风干土壤中添加0-4g尿素，即每800g土壤中添加0g、0.5g、1.0g、1.5g、2g、2.5g、3.0g、4.0g，共设置8个水平，尿素与土壤充分混匀，接着加水至田间持水量的90％，然后静置2d(通常为1-3天)，使水分和养分在土壤中扩散运移达到自然状态(即模拟田间土壤的自然状态)；
[0050]
冻融循环次数：1～20次，设置6个水平(具体为1次、3次、6次、10次、15次、20次)；
[0051]
冻融循环设置：最高温度5℃(达到温度后保持12h)；最低温度-20℃(达到温度后保持12h)。
[0052]
处理：采用全面试验，氮含量8个水平，冻融循环次数6个水平，48个处理，每个处理3次重复；
[0053]
土柱：pvc管，管径规格2寸，长20cm；下端底部用细网筛封口，在底部细网筛的上部，pvc管的内部按照从下自上是顺序依次铺设一层石英砂，一层纱布，然后在纱布的上面装填试验土壤，然后再在试验土壤的上方铺设一层石英砂，避免淋溶时扰动土层。
[0054]
2、获取土壤氮含量、冻融次数、氮流失量
[0055]
2-1)获取土壤冻融处理前的氮素含量
[0056]
分别称取800g风干棕壤(48份)，按照试验设置的氮含量设置分别加入不同重量的尿素，获得土壤样品，计算得到每份土壤样品中氮含量(即冻融处理前土壤样品中的氮含量，简称为前全氮量cn)；控制土壤样品的土壤田间持水量的90％；
[0057]
2-2)获取冻融次数
[0058]
2-2a)将静置后的不同氮含量的试验土样分别装填入不同的土柱(即pvc管)中，适当按压，使其容重为1.25g/cm3(通常为1.0-1.5g/cm3)；
[0059]
2-2b)将pvc管放入冻融机内，进行冻融循环处理，冻融循环次数分别为1次、3次、6次、10次、15次、20次；
[0060]
2-3)获取土壤冻融处理后氮流失量
[0061]
冻融循环处理结束后，采用一次连续淋溶，缓慢注入总量为500ml的去离子水(通常去离子水用量为300ml-2000ml)，从土柱底部取淋出液作为一个样品，三次测定淋溶液中全氮含量并进行平均，获得淋溶氮流失量(即土壤冻融后的氮流失量)。
[0062]
3、冻融条件下土壤氮流失预测模型构建
[0063]
以土壤冻融循环次数和土壤前全氮含量作为输入，土壤氮流失量作为输出，在48组数据中随机选取40组处理作为训练集，利用ls-svm(最小二乘支持向量机)对数据集进行训练，构建冻融作用下土壤中氮素流失量的预测模型。
[0064]
具体步骤如下：
[0065]
3-1)数据归一化处理
[0066]
将步骤1-3)测定的土壤冻融循环次数、土壤前全氮含量、土壤氮流失量分别带入min-max函数(公式1)中进行归一化处理，即对土壤冻融循环次数、土壤氮含量进行最小-最大归一化法处理)；
[0067][0068]
公式(1)中，x
′
为最小-最大数据归一化处理后的土壤冻融循环次数、土壤前全氮含量、土壤氮流失量的归一化数据；x分别为归一化处理前的土壤冻融循环次数、土壤前全氮含量、土壤氮流失量的实测数据；max为对应x中的最大值；min为对应x中的最小值；
[0069]
3-2)训练最小二乘支持向量机模型，所述训练即优化得到最佳的核函数参数g和惩罚参数c；
[0070]
最小二乘支持向量机模型的核函数参数和惩罚参数对模型的预测精度有重要影响。采用网格搜索法对核函数参数g和惩罚参数c做出选择。即将训练集中归一化处理后的土壤冻融循环次数、土壤前全氮含量作为最小二乘支持向量机模型中的输入量，土壤氮流失量作为输出量，代入到最小二乘支持向量机模型中，给定核函数参数g和惩罚参数c取值区间，g为[0.01，10]、c为[0.001，0.5]，进行优化，得到最优的核函数参数g为2.2800和惩罚参数c为0.4130。
[0071]
4、冻融作用下土壤氮流失预测
[0072]
将剩余8组数据作为预测集，即将剩余8组归一化处理后的土壤冻融循环次数、土壤前全氮含量作为输入量，带入到步骤3建立的预测模型中，预测土壤氮流失量。8组预测结果如图2。
[0073]
本发明上述实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。