CN109063895A - 基于土壤类型归并与土壤中有益生物含量预测方法 - Google Patents
基于土壤类型归并与土壤中有益生物含量预测方法 Download PDFInfo
- Publication number
- CN109063895A CN109063895A CN201810679807.0A CN201810679807A CN109063895A CN 109063895 A CN109063895 A CN 109063895A CN 201810679807 A CN201810679807 A CN 201810679807A CN 109063895 A CN109063895 A CN 109063895A
- Authority
- CN
- China
- Prior art keywords
- soil
- point position
- sampling point
- prediction
- verifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于土壤类型归并与土壤中有益生物含量预测方法,在待预测的土壤区域设置各个采样点,获得各个采样点的土壤类型级别及土壤中有益生物的含量;土壤类型进行归并;采用线性同余算法,将待预测土壤区域中的样点位置划分为预测样点位置集合和验证样点位置集合;采用随机森林方法,构建预测模型集合;分别针对验证样点位置集合中的各个验证样点位置,根据验证样点位置的环境信息,通过测模型集合中的各个预测模型,获得待预测土壤区域土壤有益生物含量空间分布图;本发明能够更准确地度量高采样密度条件下土壤属性所存在的潜在空间变异规律,进而在预测精度不降低的情况下,降低未来区域级采样的花费。
Description
技术领域
本发明涉及土壤属性预测技术领域,具体涉及一种基于土壤类型归并与土壤中有益生物含量预测方法。
背景技术
作为植物生产所必须的微量元素,锰能够直接参与植物生长的光合作用、作为多种酶的活化剂、促进种子萌发,其含量研究具有十分重要的生物学意义微量元素是否既乏,一般不是计算其不同形态的总含量,而是取決于其有效态含量。锰在土填中的保留方式主要有有机态锰、水溶态锰、代换状态锰、矿物态锰及含锰的无机盐等方式。国内外学者普遍将交换态、水溶态与易还原态锰定义为有效态锰。有效态锰和蚯蚓激素对植物生长具有一定的影响,其能增加土壤活性,提高作物的利用率,同时能改善作物的品质。微量元素的含量主要是受成土母质与成土过程所决定。让各种物质保持平衡的状态,其主要的影响因素包括温度、湿度、有机质含量氧化还原电位等。我国红壤、黃壤的土有效含量较高,北方石灰性土壤较缺。
土壤调查与制图是生产区域土图的基本手段,在国内外的土壤资源管理、环境规划、植物营养分析方面均发挥重要作用。近三十年来,土壤全国普查,在我国取得了较为详尽的土资源调查清单,积累了宝贵的土壤数据,生产了系列的土壤微量元素空间分布图。然面,由于现在农作技术的日新月异,土壤微量元素含量也在近年来快速变化,历史上土壤属性图己很难满足对农业规划需求。土壤有机质含量预测方面,国内学者较多关注土壤微量元素含量的空间分布、空间变异特征、感响因素等宏观分析方法。在研究区域上,主要集中在田间尺度、小流域尺度,在面积较大的区域上研究较少,究其原因是土壤有益菌量的减少,很难采用一种预测模型来系统地预测所有区域的有益菌含量空间分布。
土壤类型对于土壤微量元素含量具有显著影响。土壤在发生层内往往具有均质的特征,而土壤类型则是根据发生层类型与诊断特性进行划分的。受不同成土过程影响,土壤有效含量空间分布具有高度的空间异质性,经典 Fisher统计理论在研究土填性顾空间变异规律方面存在明显不足。统计学重于区域变量空间结构的分析与模拟,使用变异函数与变异曲线来表征区域化变量的空间离散程度。然而,统计学的理论基础二阶平稳假设(区域化变量协方差存在且相同)在实际应用中欠缺考虑。多元线性回归模型通常被用作研究土壤性质和观性质之间关系的基本分析工具,在基于土壤属性预测中应用最为广泛,然而该方法通过全同採索性分析或相关分析来定土壤性和景观属性之间的关系具有一定的局限性。鉴于空间预测与地理位置的相关性,根据地理学第一定律,地理位置间的邻近促使数据具有不同的空间相关性,因此局部国归模型(地理加权回归模型)在近二十年年来取得显著成效。该方法能够处理回归分析土壤的平稳现象。但是,该方法在处理离散变量(如土壤类型)时,将环境变量处理成变量,忽略了土有效含量在不同土壤类型内表现出的空间分布规律。
统计模型(线性回归型,地统计学模等)能应对土壤信息高精度需求,通过对土壤一量观模型的定量化,实现土壤属性空间推理预测。由于土壤有效含量在不同土壤类型内表现出的潜在变异趋势,传统预测模型往往忽略了土壤类型这一变量的特殊性,从而导致土壤有效含量在具体的空间测中面临诸多问题,归纳起来主要有:
(1)传统土壤制图基于“野外调査-室内判读-野外校核-定界成图”的工作方式已无法适应快速发展的精准农业、环境管理、土地管理需求,不同应用域已对土壤有益生物的空间分布预测的精度、时效性提出史上最高要求。3S等一系列地理信息管理技术的普及迫切需要一种面向区域级别的空间分析、预测方法;
(2)在土壤分类方面,中国土壤系統分类級联地包含了土纲、亚纲、土类、運类、土属和土系六个级别。不同土类型级别对应不同的土壤有益生物含量空间分布规律,将这些复杂的规则融合在一个基于规则网格的土壤属性空间分布图上,难免会引起规则间冲突。究其原因,在模型调练规化数时,为了最小化模型拟合误差,规则化函数复杂度一般为单调递增函数,诸多规则导致模型复杂度急剧上升。而如果对每一级别土填类型给出单独的规则数据,则会限制模型的使用。如何定量化土类型的级别对土壤制图影响,是提升定量模型泛化能力,制约统计模型应用的重要难点;
(3)不同的采样密度往往反映土壤有效含量的不同变异规律。最优采样密度的规定严重降低了土壤质量评价工作的准确性。理论上采样密度能提升预测精度,但过高的采样密度会导致人力、物力费用的快速增长。在最小化目标函数的时候综合度量不同采样密度的特征,虽能够获得更小的训练误差,但当预选不同采样密度土壤有益生物含量时,楔型仅考虑自动选择的特征提取,约束型的泛化能力,不同采样密度在空间预测模型的限等致使预测结果往往存在不确定性,该不确定性通过随后的建模、分析以及决策等过程,加以传递并对最终结果产生深刻影响;
(4)分析空间数据、空间平稳性是使用预测模墼的先决条件。常规方法是将地理空间位置的线性函数集成至传统性回归模型,采用最小二乘方方法估计扩展参数,模型的参数随着空间位置的移动而改变。然而这种方法仍然属于趋势拟合的方法,当参数变化较为复杂时仍受到一定限制。如何根据不同采样密度下的空间平稳性採测情況采用合适的预测方法仍是土壤属性空间测研究的挑战。
发明内容
本发明的目的在于针对现有技术的缺陷和不足,提供一种基于土壤类型归并与土壤中有益生物含量预测方法,能够在不同土壤采样密度条件下,进行土壤中有益生物含量的空间变异性分析、土壤类型归并,以及二阶平稳性测试,有效解决现有的土壤板结及各类土传病害并改善作物品质。
为实现上述目的,本发明采用的技术方案是:它包含如下步骤:
一、在待预测的土壤区域设置各个采样点,统计采样点的位置及数量,针对各个采样点位置,获得各个采样点位置的环境信息,即获得各个采样点的土壤类型级别及土壤中有益生物的含量;
二、分别针对待预测土壤区域中的各个样点位置,将具有相同的水热状况特征、具有相同的生态条件和植物类型、具有作为确定土壤发育过程的土壤发生层次的相同土壤剖面构型的土壤类型进行归并;
三、基于归并土壤类型,构建采样点的土壤中有益生物的含量的直方图;采用线性同余算法,将待预测土壤区域中的样点位置划分为预测样点位置集合和验证样点位置集合,分别针对待预测土壤区域中的各个样点位置,获得各个样点位置的土壤有益生物密度实测值;
四、采用随机森林方法,训练获得分别以各个归并类型土壤信息为目标的各个预测模型,构成预测模型集合;
五、分别针对验证样点位置集合中的各个验证样点位置,根据验证样点位置的环境信息,通过测模型集合中的各个预测模型,分别获得该验证样点位置的预测土壤信息,并获得待预测土壤区域土壤有益生物含量空间分布图。
采用上述方案后,本发明有益效果为:本发明所述的基于土壤类型归并与土壤中有益生物含量预测方法,能够更准确地度量高采样密度条件下土壤属性所存在的潜在空间变异规律,进而在预测精度不降低的情况下,有望在一定程 度上降低样点数量,进而降低未来区域级采样的花费。
具体实施方式
下面结合对本发明作进一步的说明。
实施例:基于土壤类型归并与土壤中有益生物含量预测方法,它包含如下步骤:
一、在待预测的土壤区域设置各个采样点,统计采样点的位置及数量,针对各个采样点位置,获得各个采样点位置的环境信息,即获得各个采样点的土壤类型级别及土壤中有益生物的含量;
二、分别针对待预测土壤区域中的各个样点位置,将具有相同的水热状况特征、具有相同的生态条件和植物类型、具有作为确定土壤发育过程的土壤发生层次的相同土壤剖面构型的土壤类型进行归并;
三、基于归并土壤类型,构建采样点的土壤中有益生物的含量的直方图;采用线性同余算法,将待预测土壤区域中的样点位置划分为预测样点位置集合和验证样点位置集合,分别针对待预测土壤区域中的各个样点位置,获得各个样点位置的土壤有益生物密度实测值;
四、采用随机森林方法,训练获得分别以各个归并类型土壤信息为目标的各个预测模型,构成预测模型集合;
五、分别针对验证样点位置集合中的各个验证样点位置,根据验证样点位置的环境信息,通过测模型集合中的各个预测模型,分别获得该验证样点位置的预测土壤信息,并获得待预测土壤区域土壤有益生物含量空间分布图。
采用上述方案后,本实施例的有益效果为:本发明所述的基于土壤类型归并与土壤中有益生物含量预测方法,能够更准确地度量高采样密度条件下土壤属性所存在的潜在空间变异规律,进而在预测精度不降低的情况下,有望在一定程 度上降低样点数量,进而降低未来区域级采样的花费。
以上所述,仅用以说明本发明的技术方案,而非限制本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于土壤类型归并与土壤中有益生物含量预测方法,其特征在于它包含如下步骤:
一、在待预测的土壤区域设置各个采样点,统计采样点的位置及数量,针对各个采样点位置,获得各个采样点位置的环境信息,即获得各个采样点的土壤类型级别及土壤中有益生物的含量;
二、分别针对待预测土壤区域中的各个样点位置,将具有相同的水热状况特征、具有相同的生态条件和植物类型、具有作为确定土壤发育过程的土壤发生层次的相同土壤剖面构型的土壤类型进行归并;
三、基于归并土壤类型,构建采样点的土壤中有益生物的含量的直方图;采用线性同余算法,将待预测土壤区域中的样点位置划分为预测样点位置集合和验证样点位置集合,分别针对待预测土壤区域中的各个样点位置,获得各个样点位置的土壤有益生物密度实测值;
四、采用随机森林方法,训练获得分别以各个归并类型土壤信息为目标的各个预测模型,构成预测模型集合;
五、分别针对验证样点位置集合中的各个验证样点位置,根据验证样点位置的环境信息,通过测模型集合中的各个预测模型,分别获得该验证样点位置的预测土壤信息,并获得待预测土壤区域土壤有益生物含量空间分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810679807.0A CN109063895A (zh) | 2018-06-27 | 2018-06-27 | 基于土壤类型归并与土壤中有益生物含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810679807.0A CN109063895A (zh) | 2018-06-27 | 2018-06-27 | 基于土壤类型归并与土壤中有益生物含量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063895A true CN109063895A (zh) | 2018-12-21 |
Family
ID=64821444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810679807.0A Pending CN109063895A (zh) | 2018-06-27 | 2018-06-27 | 基于土壤类型归并与土壤中有益生物含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063895A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275072A (zh) * | 2020-01-07 | 2020-06-12 | 浙江大学 | 一种基于聚类采样的山区土壤厚度预测方法 |
CN112001121A (zh) * | 2020-08-25 | 2020-11-27 | 公安部物证鉴定中心 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
CN113435825A (zh) * | 2021-05-06 | 2021-09-24 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土传病害防治的智能管理方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050014195A1 (en) * | 2003-01-15 | 2005-01-20 | Vauterin Luc R.G. | Method for obtaining consensus classifications and identifications by combining data from different experiments |
EP2091011A1 (de) * | 2008-01-16 | 2009-08-19 | Harald Schütze | Verfahren zur Optimierung des Gewinnes von Bioenergie, Marktfrüchten und Produkten der Bioraffinerie in der Landwirtschaft |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN105205617A (zh) * | 2015-10-21 | 2015-12-30 | 中南财经政法大学 | 基于土地利用方式的土壤重金属层次健康风险评价方法 |
CN105699624A (zh) * | 2016-03-07 | 2016-06-22 | 中国科学院南京土壤研究所 | 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法 |
CN106980603A (zh) * | 2017-02-23 | 2017-07-25 | 中国科学院南京土壤研究所 | 基于土壤类型归并与多元回归的土壤锰含量预测方法 |
-
2018
- 2018-06-27 CN CN201810679807.0A patent/CN109063895A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050014195A1 (en) * | 2003-01-15 | 2005-01-20 | Vauterin Luc R.G. | Method for obtaining consensus classifications and identifications by combining data from different experiments |
EP2091011A1 (de) * | 2008-01-16 | 2009-08-19 | Harald Schütze | Verfahren zur Optimierung des Gewinnes von Bioenergie, Marktfrüchten und Produkten der Bioraffinerie in der Landwirtschaft |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN105205617A (zh) * | 2015-10-21 | 2015-12-30 | 中南财经政法大学 | 基于土地利用方式的土壤重金属层次健康风险评价方法 |
CN105699624A (zh) * | 2016-03-07 | 2016-06-22 | 中国科学院南京土壤研究所 | 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法 |
CN106980603A (zh) * | 2017-02-23 | 2017-07-25 | 中国科学院南京土壤研究所 | 基于土壤类型归并与多元回归的土壤锰含量预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275072A (zh) * | 2020-01-07 | 2020-06-12 | 浙江大学 | 一种基于聚类采样的山区土壤厚度预测方法 |
CN111275072B (zh) * | 2020-01-07 | 2023-12-22 | 浙江大学 | 一种基于聚类采样的山区土壤厚度预测方法 |
CN112001121A (zh) * | 2020-08-25 | 2020-11-27 | 公安部物证鉴定中心 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
CN112001121B (zh) * | 2020-08-25 | 2022-01-28 | 公安部物证鉴定中心 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
CN113435825A (zh) * | 2021-05-06 | 2021-09-24 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土传病害防治的智能管理方法、系统及存储介质 |
CN113435825B (zh) * | 2021-05-06 | 2023-04-25 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土传病害防治的智能管理方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Keshavarzi et al. | Land suitability evaluation using fuzzy continuous classification (a case study: Ziaran region) | |
Malagò et al. | Comparing calibrated parameter sets of the SWAT model for the Scandinavian and Iberian peninsulas | |
Faivre et al. | Spatialising crop models | |
O'Callaghan | Land use: the interaction of economics, ecology and hydrology | |
Lawrence et al. | Guiding soil sampling strategies using classical and spatial statistics: A review | |
Norton et al. | Using models to bridge the gap between land use and algal blooms: An example from the Loweswater catchment, UK | |
CN106980603B (zh) | 基于土壤类型归并与多元回归的土壤锰含量预测方法 | |
Fovet et al. | Using long time series of agricultural-derived nitrates for estimating catchment transit times | |
CN109063895A (zh) | 基于土壤类型归并与土壤中有益生物含量预测方法 | |
Raupach et al. | Balances of water, carbon, nitrogen and phosphorus in Australian landscapes:(1) Project description and results | |
Yang et al. | Impacts of environment and human activity on grid-scale land cropping suitability and optimization of planting structure, measured based on the MaxEnt model | |
Song et al. | Spatial variability of soil properties in red soil and its implications for site-specific fertilizer management | |
Wang et al. | Impacts of agricultural management and climate change on future soil organic carbon dynamics in North China Plain | |
Bouma et al. | The role of scientists in multiscale land use analysis: lessons learned from Dutch communities of practice | |
Kolb et al. | Land use and cover change modeling as an integration framework: A mixed methods approach for the Southern Coast of Jalisco (Western Mexico) | |
Ma et al. | Agricultural nitrate export patterns shaped by crop rotation and tile drainage | |
Antle et al. | Physical and economic model integration for measurement of the environmental impacts of agricultural chemical use | |
Tian et al. | Forecasting and assessing the large-scale and long-term impacts of global environmental change on terrestrial ecosystems in the United States and China | |
Sychev et al. | Monitoring of soil fertility (agroecological monitoring) | |
Lehmann et al. | SWATCH21: A project for linking eco-hydrologic processes and services to aquatic biodiversity at river and catchment levels | |
Oxley et al. | Policy relevant modelling: relationships between water, land use, and farmer decision processes | |
Zhang et al. | Artificial intelligence in soil management: The new frontier of smart agriculture | |
Faivre et al. | Spatialising crop models | |
Alvarez et al. | Using a nitrogen mineralization index will improve soil productivity rating by artificial neural networks | |
Wells et al. | Maximizing Soil Carbon Sequestration: Assessing Procedural Barriers to Carbon Management in Cultivated Tropical Perennial Grass Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |