土壤重金属数据异常识别方法以北京农田区样点(4)

2.3.2 预测精度分析 针对组合方法一、二在原始样点、去除全局样点、去除局部样点、去除疑似数据错误异常点这4种情况下，对剩余的土壤重金属样点数据采用普通克里金插值分析，分别统计对应情况下的平均相对误差(MRE)和均方根误差(RMSE)。

如图5所示，基于Pb含量进行的插值分析中，在分别去除全局样点、局部样点这2种情况后，MRE和RMSE均较原始样点插值误差明显减小，在此基础上去除疑似数据错误，MRE和RMSE差别不大，说明疑似数据错误的插值结果对整体插值精度影响不大。基于Cu含量进行的插值分析中，在分别去除全局异常样点、局部异常样点这2种情况下，MRE和RMSE均较原始样点插值误差明显减小，但是去除疑似数据错误异常点的情况下插值误差较去除局部异常样点情况下插值误差略有增大，但基本保持一致。说明去除疑似错误数据异常点对整体插值精度影响不大，这表明土壤重金属异常识别中对判断为疑似数据错误的样点进行剔除后对整体插值估计影响甚微，一定程度上佐证了土壤重金属异常识别方法的准确性。

3 讨论与结论

本研究所用土壤重金属异常识别方法，基于稳定的K邻域确定稳定的异常检测范围，能够检测到稳定的局部异常点，降低了传统邻域空间范围确定的主观性，提高了土壤重金属异常识别的有效性。

本研究所用土壤重金属异常识别方法，基于辅助指标与检测指标的相关性程度进行异常类型识别。判别异常点类型是属于疑似数据错误还是属于疑似自然异常，相较于传统的异常点检测模式，该方法能进一步对异常点类型进行识别，根据异常类型识别结果能够有效指导后续土壤重金属数据处理，辅助提高数据评价分析精度。

基于2006年北京市农田区土壤重金属数据，分别将本研究方法与四分法和Grubbs法结合，对原始样点，去除全局、局部及疑似错误数据异常点这4方面的变异特征和预测精度进行分析。通过以上3个方面对原始样点的处理，样本总体的离散程度降低，样本空间自相关性程度变化及区域结构性变异趋势增强，数据空间插值的预测精度提高，验证了本研究提出的土壤重金属异常识别方法的有效性和准确性。

[1]陈秀端. 西安市表层土壤重金属污染的环境地球化学研究[D]. 西安：陕西师范大学，2013：1-14.

[2]Zhang C S，Selinus and GIS in environmental geochemistry-some problems and solutions[J]. Journal of Geochemical Exploration，1998，64(1/2/3)：339-354.

[3]王景云，杨 军，杨俊兴，等. 基于空间自相关和概率论的土壤重金属异常值的识别方法[J]. 地球信息科学学报，2017，19(5)：605-612.

[4]贺 玲，吴玲达，蔡益朝. 数据挖掘中的聚类算法综述[J]. 计算机应用研究，2007(1)：10-13.

[5]Yin C Y，Zhang S. Parallel implementing improvedk-means applied for image retrieval and anomaly detection[J]. Multimedia Tools and Applications，2017，76：-.

[6]张 颖，黄俊宇. 金融创新、新型城镇化与区域经济增长——基于空间杜宾模型的实证分析[J]. 工业技术经济，2019，38(12)：93-101.

[7]杨 岩，姚长青，张均胜，等. 长江中游城市群科研人才空间集聚分析[J]. 地理空间信息，2018，16(9)：5-10.

[8]刘彦文，刘成武，何宗宜，等. 基于像元尺度耕地质量局部空间自相关的基本农田划定[J]. 农业机械学报，2019，50(5)：260-268，319.

[9]黄熠锋，张梦迪，倪佳峰，等. 基于空间自相关分析的温瑞塘河底泥Ni、Zn空间聚类和异常值分析[J]. 浙江农业科学，2019，60(12)：2286-2290.

[10]Yang J，Wang J Y，Zheng Y M，et al. Method for identifying outliers of soil heavy metal data[J]. Environmental Science and Pollution Research，2018，25(13)：-.

[11]Meklit T，van Meirvenne M，Verstraete S，et al. Combining marginal and spatial outliers identification to optimize the mapping of the regional geochemical baseline concentration of soil heavy metals[J]. Geoderma，2009，148(3/4)：413-420.

[12]杨 冕，王 银. 长江经济带PM2.5时空特征及影响因素研究[J]. 中国人口·资源与环境，2017，27(1)：91-100.

[13]邓 敏，刘启亮，李光强. 采用聚类技术探测空间异常[J]. 遥感学报，2010，14(5)：944-958.

[14]李晓岚，高秉博，周艳兵，等. 基于时空不确定性分析的北京市农田土壤重金属镉含量等级划分[J]. 农业环境科学学报，2019，38(2)：307-316.

[15]曼弗雷德·M·费希尔，王劲峰.空间数据分析 模型方法与技术[M]. 张 璐，肖光恩，吕博才，译. 北京：中国人民大学出版社，2018：20-28.

[16]Anselin L.Local indicators of spatial association-LISA[J].Geogr Anal 1995，27(2)：93-115.

文章来源：《北京体育大学学报》 网址: http://www.bjtydxxbzz.cn/qikandaodu/2021/0708/732.html