CN109374860A - 一种基于机器学习算法的土壤养分预测及综合评价方法 - Google Patents

一种基于机器学习算法的土壤养分预测及综合评价方法 Download PDF

Info

Publication number
CN109374860A
CN109374860A CN201811345459.XA CN201811345459A CN109374860A CN 109374860 A CN109374860 A CN 109374860A CN 201811345459 A CN201811345459 A CN 201811345459A CN 109374860 A CN109374860 A CN 109374860A
Authority
CN
China
Prior art keywords
soil
soil nutrient
value
projection
machine learning
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
Application number
CN201811345459.XA
Other languages
English (en)
Inventor
杨联安
任丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest University
Original Assignee
Northwest University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwest University filed Critical Northwest University
Priority to CN201811345459.XA priority Critical patent/CN109374860A/zh
Publication of CN109374860A publication Critical patent/CN109374860A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于土壤检测技术领域，公开了一种基于机器学习算法的土壤养分预测及综合评价方法，采集土壤样品，测定各项土壤养分指标和土壤水分；搜集多种环境变量数据；使用相关性分析和随机森林相结合的方式，对各个土壤养分指标进行空间插值进行预测，确定土壤养分的空间分布状况；并通过计算验证点的平均误差、平均绝对误差和均方根误差，对模型的预测精度进行对比；测定土壤养分与土壤水分、环境变量及施肥量之间的相关关系；利用投影寻踪模型对土壤养分进行综合评价，并制作评价等级结果空间分布图。本发明从非线性的角度出发，养分等级与评价指标间的关系，尝试为土壤养分评价提供一种新思路。

Description

一种基于机器学习算法的土壤养分预测及综合评价方法
技术领域
本发明属于土壤检测技术领域，尤其涉及一种基于机器学习算法的土壤养分预测及综合评价方法。
背景技术
目前，业内常用的现有技术是这样的：
土壤养分是土地生产力的基础，是作物生长的必要条件，是影响农作物产量和质量的关键因素，对土地利用和生态过程产生强烈影响。土壤有机质不仅是作物的养料库，还为土壤微生物生活提供能量，在调节土壤水、肥、热状况，维持良好土壤物理性质方面起到决定性作用；土壤中的氮素、磷素、钾素是植物生长所必需的，氮素和磷素直接参与植物体内蛋白质、核酸、叶绿素及许多酶的合成和转换；钾素能调节植物细胞的水势和气孔运动，促进光合作用和提高酶活性等。因此，了解土壤养分的空间分布情况及特征，对于指导农业生产、改善土壤环境状况以及提高土地生产能力具有重要意义。
受母质、气候和地形等自然因素以及施肥习惯等人为因素的影响，土壤养分空间分布具有高度变异性，空间分布不均匀。土壤是一个自然连续体，横向的流动幅度较小，土壤的自我修复周期较长。而长期以来，农民采用增加化学肥料投入量的方式来提高农作物产量和增加收益，使得化学产品在土壤中富集，导致了土壤酸碱度失衡、土壤环境恶化及农产品污染等问题。基于减少农业生产中的盲目投入，节约成本，保护环境，绿色生产的考虑，美国农业工作者于20世纪90年代初倡导并实施了精准农业。
精准农业实现的前提是基于对土壤特性尤其是土壤养分环境状况的充分了解，以往的土壤资源调查通常是先通过野外调查采集土壤样品，然后进行分析测定，最后再对测定指标进行一些简单的数理统计分析。这种方式需要大容量样本的支撑才能得到比较准确的结果，野外调查工作量大，耗时长。随着“3S”技术的发展，遥感数据的广泛应用和数据挖掘算法的出现，能够基于较少的样本数量，采用据挖掘算法，结合一些地形、遥感等辅助数据，实现对土壤养分空间分布的精准预测，节约成本，提高工作效率，为农业生产提供指导。
综上所述，现有技术存在的问题是：现有技术中土壤资源调查需要大容量样本的支撑才能得到比较准确的结果，野外调查工作量大，耗时长。
解决上述技术问题的难度和意义：
以咸阳市农耕区为研究区，通过采集土壤样品，分别测定各项土壤养分数据和土壤水分数据，结合使用多源环境变量和施肥数据，基于线性回归、地理加权回归模型、RBF神经网络和随机森林算法，进行土壤养分空间预测制图，一方面，分别从线性和非线性角度，探究土壤养分与环境变量间的关系，比较各种算法的预测精度，选取预测效果的结果图分析研究区土壤养分的空间格局和分布特征；另一方面，深入剖析各项环境变量、土壤水分及施肥状况与土壤养分间的相互关系，寻找影响土壤养分含量的关键因素，通过改善养分环境，以提高土壤养分的吸收利用率，提高土壤质量。然后，采用投影寻踪法进行土壤养分综合评价，探究评价指标与养分等级间的非线性关系，将得到的评价等级空间化，直观地反映土壤养分状况，为实际农业生产和施肥管理提供参考。
发明内容
针对现有技术存在的问题，本发明提供了一种基于机器学习算法的土壤养分预测及综合评价方法，
本发明是这样实现的，一种基于机器学习算法的土壤养分预测及综合评价方法，包括以下步骤：
步骤一：采集土壤样品，测定各项土壤养分指标和土壤水分；搜集多种环境变量数据：土壤因子、气候因子、地形因子、植被指数和施肥数据；
步骤二：使用相关性分析和随机森林相结合的方式，对各个土壤养分指标进行空间插值进行预测，确定土壤养分的空间分布状况；并通过计算验证点的平均误差(ME)、平均绝对误差(MAE)和均方根误差(RMSE)，对模型的预测精度进行对比；
步骤三：测定土壤养分与土壤水分、环境变量及施肥量之间的相关关系；
步骤四：利用投影寻踪模型对土壤养分进行综合评价，并制作评价等级结果空间分布图。
进一步，在研究区采样点土壤养分测试分析的基础上，结合使用多源环境变量和施肥数据，基于线性回归、地理加权回归模型、RBF神经网络和随机森林算法，进行土壤养分空间预测制图，采用投影寻踪法进行土壤养分综合评价。
进一步，步骤一中，数据处理，包括：
1)土壤样品采集与制备
土壤样品采集于9～11月之间。根据农业部测土配方施肥技术规范和要求。
2)辅助变量
2.1)土壤类型
土壤类型是影响土壤属性的重要因子，选取土属作为建模指标，以期细致地反映土壤类型对有机质含量的影响。将咸阳县土属矢量图在ArcGIS10.3中转换为30m分辨率的栅格图。
2.2)气候因子
从世界气象数据库(WorldClim—Global Climate Data http://www.worldclim.org/)下载，运用地图代数工具求得研究区平均年降雨量和年平均气温。
2.3)地形因子
从中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)下载30m分辨率的ASTER GDEM高程数据，在ArcGIS10.3中提取研究区数字高程模型(digital elevation model，DEM)、坡度(Slope，SLO)、坡向(aspect，ASP)、水平曲率(horizontal curvature，HORIZC)、剖面曲率(profile curvature，PROFC)、地形起伏度(relief，REL)和地形湿度指数(topographic wetness index，TWI)等地形因子。
进一步，步骤一中，测定各项土壤养分指标包括：有机质、全氮、速效磷、速效钾、pH值；
进一步，步骤一中，土壤因子包括：成土母质图、土壤类型图；
进一步，步骤一中，气候因子包括：气温、降水、日照时数；
进一步，步骤一中，地形因子包括：高程、坡度、坡向、地形起伏度、曲率、地形湿度指数；
进一步，步骤二中，分别基于多元线性回归、地理加权回归模型、RBF神经网络模型和随机森林模型，对各个土壤养分指标进行空间插值进行预测，确定研究区土壤养分的空间分布状况；
多元线性回归是包括两个或两个以上自变量的回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。
进一步，步骤二中，地理加权回归，经典的线性回归模型通常是由随机误差项εi和一套参数β0和组成，可以写成：
地理加权回归(GWR)模型扩展了传统的回归框架，在全局回归模型的基础上进行局部的参数估计，模型结构如下：
yi＝β0(ui,vi)+∑kβk(ui,vi)xik+εi (2)
式中，(ui,vi)是第i个样本空间单元的地理中心坐标，βk(ui,vi)是连续函数βk(u,v)在i样本空间单元的值。在校正GWR时，权重矩阵是针对每个区位观测值i所建立的，而不是直接用最近的观测值——科尼尔函数，通常是以高斯函数来计算权重，高斯函数用下述公式表达：
式中：b是带宽，带宽的建立对GWR模型来说非常重要，带宽的大小直接影响了GWR模型的空间变化。为了取得最优带宽，Fotheringham提出一个标准，当GWR模型的赤池信息准则是最小时，带宽b为最佳。
进一步，步骤二中，RBF神经网络，最常用的基函数是高斯核函数，公式如下：
式中，μj为第j个隐层节点的输出，X为输出样本，Cj为高斯函数的中心值，δj为标准化常数，Nh为隐层节点数。
利用matlab实现RBF神经网络训练，具体实现步骤设计如下：
①以样点的空间坐标值和辅助变量作为输入数据，对输入数据进行归一化处理；
②调用newrb()函数训练神经网络，调用格式为:net＝newrb(P，T，goal，spread，mn，df)，其中，P为输入数据；T为拟合目标数据即样点的土壤属性值；goal为mse均方误差函数，表示目标误差；spread为扩展常数；mn为隐层的最大神经元个数；df为迭代过程的显示频数。其中需要调节的参数仅有spread和mn。采用“试错法”确定两个参数的最佳值，以得到最优的网络结构参数。
③调用sim()函数进行仿真预测，调用格式为：y＝sim(net，p)，其中y为预测值，net为训练好的网络。
进一步，步骤四中，投影寻踪等级评价模型的建模过程如下：
(1)建立样本集；
设根据评价标准表产生样本等级y(i)及其指标分别为及{x(i,j)|i＝1,2,…,n,j＝1,2,…,p}，其中n，p分别为样本个数和指标个数，最低等级设为1，最高等级设为N；
(2)投影值的计算；
设α＝(α1,α2,…αp)为投影方向，投影寻踪就是将x(i,j)投影到α上，得到一维投影值z(i)：
(3)构造投影指标函数；
为保证投影值z(i)能最大可能地反映样本数据{x(i,j)}的结构特征与变异信息，同时要求投影值与预测对象y(i)的映射关系能得到准确的表示。基于此，选择标准差Sz和z(i)与y(i)的相关系数的绝对值|Rzy|来构造投影指标函数，使其乘积最大；
选择标准差Sz和z(i)与y(i)的相关系数的绝对值|Rzy|来构造投影指标函数。
(4)优化投影指标函数；
当样本数据给定时投影方向的变化必定影响投影指标函数值的大小，可以通过求解标准差和相关系数的绝对值乘积最大值得到最佳投影方向，此处可以引用遗传算法、粒子群群算法等来优化求解过程；
目标函数：maxQ(A)；约束条件：
(5)建立投影寻踪土壤质量综合评价模型；
将得到的最佳投影方向α*代入式(5)后可得到各样本数据点对应的投影值z*(i)，根据z*(i)～y(i)的散点图，建立投影值与土壤质量等级之间的数学关系式。对待评价样本数据采用同样的归一化方式进行处理，计算其投影值z(i)并将其代入已建立的数学模型中，最终输出待评价样本所属的土壤养分等级。
等级评价:得到近似最佳投影方向后，计算各等级样本点的投影值，建立等级评价方法，并对待评价样本进行归一化处理后计算其投影值，按等级评价标准，确定待评样本所属类别。
综上所述，本发明的优点及积极效果为：
本发明在指标选取方面，建立的辅助环境变量数据库有多个指标，但每个指标对土壤养分的重要程度不同，同类指标间可能会存在共线性，所以，对参与建模的指标进行相关性分析，剔除相关性较大的指标，再通过随机森林模型来评估不同评价因子的重要性，综合选择具有较低的相关性以及较高的重要性的评价因子。
本发明土壤属性与环境变量间存在非常复杂的非线性关系，地理加权回归模型将数据的空间位置引入到回归系数中，充分考虑到空间非平稳性特征，更符合实际情况，其方法简单易行，估计结果有明确的解析表示，还可对得到的参数估计进行统计检验。RBF神经网络能以任意精度逼近任意复杂度的函数，用于研究土壤属性空间预测插值，对训练样本数据没有任何要求和限制，且需要训练的参数较少，有利于刻画土壤养分与环境变量间的非线性关系。随机森林能解释多达上千个变量，对成土环境复杂地区的土壤养分空间预测效果较好，并且对多元线性不敏感，对离群值和缺失值比较稳健，可以直接处理属性数据，操作简便。
本发明土壤水分对土壤养分的影响是不可忽视，在充分考虑样点的空间自相关、异相关和野外复杂环境的特点，尝试运用地统计法通过对样点进行插值，获得土壤水分空间分布数据，土壤水分对土壤养分空间分布的影响，使对土壤养分的测定更加完善。
本发明通过采用投影寻踪相结合的方式对土壤养分进行综合评价，客观反映研究区土壤养分综合环境状况，从非线性的角度出发，养分等级与评价指标间的关系，尝试为土壤养分评价提供一种新思路。
研究区实验表明，参与构建模型的指标越多，随机森林算法和BP神经网络算法建立相应的土壤养分预测模型均具有较好的预测效果。而对于成土环境相对单一的区域，使用易于操作的线性回归模型和地统计方法也可以达到理想的土壤养分空间制图效果。采用投影寻踪相结合的方式较好地解决了土壤养分评价中的高维复杂性问题，提供了土壤养分综合评价的新思路。
附图说明
图1是本发明实施例提供的基于机器学习算法的土壤养分预测及综合评价方法流程图。
图2是本发明实施例提供的基于机器学习算法的土壤养分预测及综合评价方法原理图。
图3是本发明实施例提供的径向基神经网络拓扑结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述；
如图1所示，本发明实施例提供的基于机器学习算法的土壤养分预测及综合评价方法，包括以下步骤：
S101：采集土壤样品，测定各项土壤养分指标和土壤水分；搜集多种环境变量数据：土壤因子、气候因子、地形因子、植被指数和施肥数据；
S102：使用相关性分析和随机森林相结合的方式，对各个土壤养分指标进行空间插值进行预测，确定土壤养分的空间分布状况；并通过计算验证点的平均误差(ME)、平均绝对误差(MAE)和均方根误差(RMSE)，对模型的预测精度进行对比；
S103：测定土壤养分与土壤水分、环境变量及施肥量之间的相关关系；
S104：利用投影寻踪模型对土壤养分进行综合评价，并制作评价等级结果空间分布图。
在本发明的优选实施例中，步骤S101中，本发明实施例提供的测定各项土壤养分指标包括：有机质、全氮、速效磷、速效钾、pH值；
在本发明的优选实施例中，步骤S101中，本发明实施例提供的土壤因子包括：成土母质图、土壤类型图；
在本发明的优选实施例中，步骤S101中，本发明实施例提供的气候因子包括：气温、降水、日照时数；
在本发明的优选实施例中，步骤S101中，本发明实施例提供的地形因子包括：高程、坡度、坡向、地形起伏度、曲率、地形湿度指数；
在本发明的优选实施例中，步骤S102中，本发明实施例提供的分别基于逐步线性回归、地理加权回归模型、RBF神经网络模型和随机森林模型，对各个土壤养分指标进行空间插值进行预测，确定研究区土壤养分的空间分布状况；
在本发明的优选实施例中，步骤S102中，本发明实施例提供的地理加权回归，经典的线性回归模型通常是由随机误差项εi和一套参数β0和组成，可以写成：
地理加权回归(GWR)模型扩展了传统的回归框架，在全局回归模型的基础上进行局部的参数估计，模型结构如下：
yi＝β0(ui,vi)+∑kβk(ui,vi)xik+εi (2)
式中，(ui,vi)是第i个样本空间单元的地理中心坐标，βk(ui,vi)是连续函数βk(u,v)在i样本空间单元的值。在校正GWR时，权重矩阵是针对每个区位观测值i所建立的，而不是直接用最近的观测值——科尼尔函数，通常是以高斯函数来计算权重，高斯函数用下述公式表达：
式中：b是带宽，带宽的建立对GWR模型来说非常重要，带宽的大小直接影响了GWR模型的空间变化。为了取得最优带宽，Fotheringham提出一个标准，当GWR模型的赤池信息准则是最小时，带宽b为最佳。
在本发明的优选实施例中，步骤S102中，本发明实施例提供的RBF神经网络，最常用的基函数是高斯核函数，公式如下：
式中，μj为第j个隐层节点的输出，X为输出样本，Cj为高斯函数的中心值，δj为标准化常数，Nh为隐层节点数。
利用matlab实现RBF神经网络训练，具体实现步骤设计如下：
①以样点的空间坐标值和辅助变量作为输入数据，对输入数据进行归一化处理；
②调用newrb()函数训练神经网络，调用格式为:net＝newrb(P，T，goal，spread，mn，df)，其中，P为输入数据；T为拟合目标数据即样点的土壤属性值；goal为mse均方误差函数，表示目标误差；spread为扩展常数；mn为隐层的最大神经元个数；df为迭代过程的显示频数。其中需要调节的参数仅有spread和mn。采用“试错法”确定两个参数的最佳值，以得到最优的网络结构参数。
③调用sim()函数进行仿真预测，调用格式为：y＝sim(net，p)，其中y为预测值，net为训练好的网络。
在本发明的优选实施例中，步骤S104中，本发明实施例提供的投影寻踪等级评价模型的建模过程如下：
(1)建立样本集；
设根据评价标准表产生样本等级y(i)及其指标分别为及{x(i,j)|i＝1,2,…,n,j＝1,2,…,p}，其中n，p分别为样本个数和指标个数，最低等级设为1，最高等级设为N；
(2)投影值的计算；
设α＝(α1,α2,…αp)为投影方向，投影寻踪就是将x(i,j)投影到α上，得到一维投影值z(i)：
(3)构造投影指标函数；
为保证投影值z(i)能最大可能地反映样本数据{x(i,j)}的结构特征与变异信息，同时要求投影值与预测对象y(i)的映射关系能得到准确的表示。基于此，选择标准差Sz和z(i)与y(i)的相关系数的绝对值|Rzy|来构造投影指标函数，使其乘积最大；
(4)优化投影指标函数；
当样本数据给定时投影方向的变化必定影响投影指标函数值的大小，可以通过求解标准差和相关系数的绝对值乘积最大值得到最佳投影方向，此处可以引用遗传算法、粒子群群算法等来优化求解过程；
目标函数：maxQ(A)；约束条件：
(5)建立投影寻踪土壤质量综合评价模型；
将得到的最佳投影方向α*代入式(5)后可得到各样本数据点对应的投影值z*(i)，根据z*(i)～y(i)的散点图，建立投影值与土壤质量等级之间的数学关系式。对待评价样本数据采用同样的归一化方式进行处理，计算其投影值z(i)并将其代入已建立的数学模型中，最终输出待评价本所属的土壤养分等级。
如图2所示，本发明实施例提供的基于机器学习算法的土壤养分预测及综合评价方法原理图。
下面结合具体实施例对本发明的应用原理作进一步的说明；
实施例1；
1土壤样品采集与测定
遵照农业部统一的测土配方施肥技术规范和要求，遵循全面、均衡和客观的原则，参照各县的土壤图和土地利用现状图，结合遥感影像，绘制样点分布图，划分采样单元。每一采样单元选取有代表性的地块，依据种植作物类型确定采样深度(小麦、玉米等大田作物为0～20cm，猕猴桃、苹果等果园地为0～40cm)，采用“S”形法均匀随机取8个点，利用GPS确定样点经纬度及海拔，将各采样点土壤混匀后用四分法留取1kg土样装袋，样品在实验室内分为鲜样和风干样，用于测定土壤水分和养分指标。同时记录好各样点的编号、采样地点及经纬度、采样时间、土壤类型、作物类型以及施肥状况等。采样时间为2017年作物收获后、施肥前。
土壤样品经自然风干、过筛后，采用常规方法进行测定，其中pH采用电位法测定，有机质含量采用浴油加热重铬酸钾容量法测定；全氮含量采用半微量开氏法测定；速效磷含量采用碳酸氢钠浸提——分光光度法测定；速效钾含量采用乙酸铵浸提——火焰光度法测定，缓效钾采用硝酸提取——火焰光度法测定。鲜样通过烘干法测定其含水量和机械组成。
2土壤养分空间预测方法
(1)线性回归
多元线性回归(multiple linear regression，MLR)是预测土壤属性空间分布最常用的方法之一，其基本原理为：根据因变量与多个自变量的实际观测值建立因变量对多个自变量的多元线性回归方程；检验、分析各个自变量对因自变量的综合线性影响的显著性；检验、分析各个自变量对因变量的单纯线性影响的显著性，选择仅对因变量有显著线性影响的自变量，建立最优多元线性回归方程。
(2)地理加权回归
地理加权回归模型(geographically weighted regression，GWR)是Fotheringham等提出的一种有效处理回归分析中空间非平稳性现象的建模方法[39]。该方法通过将数据的空间位置引入到回归系数中，利用非参数估计方法在每个地理位置给出函数的局部估计量，依据回归系数在各地理位置处的估计值随空间的变化情况，对回归关系的空间非平稳性进行探索和分析[40]。
经典的线性回归模型通常是由随机误差项εi和一套参数β0和组成，可以写成：
地理加权回归(GWR)模型扩展了传统的回归框架，在全局回归模型的基础上进行局部的参数估计，模型结构如下[41]：
yi＝β0(ui,vi)+∑kβk(ui,vi)xik+εi (2)
式中，(ui,vi)是第i个样本空间单元的地理中心坐标，βk(ui,vi)是连续函数βk(u,v)在i样本空间单元的值。在校正GWR时，权重矩阵是针对每个区位观测值i所建立的，而不是直接用最近的观测值——科尼尔函数，通常是以高斯函数来计算权重，高斯函数用下述公式表达：
式中：b是带宽，带宽的建立对GWR模型来说非常重要，带宽的大小直接影响了GWR模型的空间变
化。为了取得最优带宽，Fotheringham提出一个标准，当GWR模型的赤池信息准则是最小时，带宽b为最佳。
(3)RBF神经网络
径向基函数神经网络(radial basis function neural network，RBF网络)是Broomhead和Lowe于1988年提出，它是一种具有隐层函数的前馈网络，能以任意精度逼近任意连续函数，由输入层、隐含层和输出层组成，其结构如图3；
如图3所示；其中，第一层为输入层，负责传递信号到隐含层；第二层为隐含层，由径向基函数作为隐含层节点的“基”构成隐含层空间，通过“基”函数将低维模式的输入数据映射到高维空间中；第三层为输出层，通常为线性函数，通过对隐节点输出结果进行线性加权求和，将隐含层节点的输出映射到输出层节点空间。
最常用的基函数是高斯核函数，公式如下：
式中，μj为第j个隐层节点的输出，X为输出样本，Cj为高斯函数的中心值，δj为标准化常数，Nh为隐层节点数。
利用matlab实现RBF神经网络训练，具体实现步骤设计如下：
①以样点的空间坐标值和辅助变量作为输入数据，对输入数据进行归一化处理；
②调用newrb()函数训练神经网络，调用格式为:net＝newrb(P，T，goal，spread，mn，df)，其中，P为输入数据；T为拟合目标数据即样点的土壤属性值；goal为mse均方误差函数，表示目标误差；spread为扩展常数；mn为隐层的最大神经元个数；df为迭代过程的显示频数。其中需要调节的参数仅有spread和mn。采用“试错法”确定两个参数的最佳值，以得到最优的网络结构参数。
③调用sim()函数进行仿真预测，调用格式为：y＝sim(net，p)，其中y为预测值，net为训练好的网络。
(4)随机森林
随机森林(random forest，RF)是Breiman提出的由多棵CART决策树集成的机器学习算法。随机森林可分别用于分类和回归，当因变量为分类变量时，即是分类；当因变量为连续变量时，即是回归。随机森林回归分析的基本原理[45]是：(1)采用bootstrap方法有放回地重复从原始样本中随机抽取n个样本训练集，形成n棵回归树(ntree)，每次未被抽到的样本组成了袋外数据(out-of-bag，OOB)，作为随机森林测试样本；(2)从M个解释变量中抽取最能有效分割数据的m(m<M)个解释变量(mtry)，文中按照袋外预测误差最小原则确定mtry值，在决策树的生成过程中，m的值是保持不变的；(3)每棵决策树都最大可能地进行生长而不进行剪枝；(4)将生成的多棵回归树集成随机森林，选取所有决策树预测值的平均值作为最终结果。
随机森林通过袋外误差(out-of-bag error)估计模型的误差。对于分类问题，误差是分类的错误率；对于回归问题，误差是残差的方差。随机森林的每棵分类树，都是对原始记录进行有放回的重抽样后生成的。每次重抽样大约1/3的记录没有被抽取，没有被抽取的自然形成一个对照数据集。所以随机森林不需要另外预留部分数据做交叉验证，其本身的算法类似交叉验证，而且袋外误差是对预测误差的无偏估计。
3土壤养分综合评价方法
土壤养分综合评价属于涉及多个指标的高维数据处理问题。投影寻踪以数据的线性投影为基础，寻找线性投影中的非线性结构，将高维数据通过线性组合的方法转换为低维数据，在低维数据上对数据结构进行分析，可以避免线性回归不能反映实际非线性情况的矛盾，以及在评价过程中如何确定不同因素权重的问题。投影寻踪等级评价模型的建模过程如下：
(1)建立样本集。
设根据评价标准表产生样本等级y(i)及其指标分别为及{x(i,j)|i＝1,2,…,n,j＝1,2,…,p}，其中n，p分别为样本个数和指标个数，最低等级设为1，最高等级设为N。
(2)投影值的计算。
设α＝(α1,α2,…αp)为投影方向，投影寻踪就是将x(i,j)投影到α上，得到一维投影值z(i)：
(3)构造投影指标函数。
为保证投影值z(i)能最大可能地反映样本数据{x(i,j)}的结构特征与变异信息，同时要求投影值与预测对象y(i)的映射关系能得到准确的表示。基于此，选择标准差Sz和z(i)与y(i)的相关系数的绝对值|Rzy|来构造投影指标函数，使其乘积最大。
(4)优化投影指标函数。
当样本数据给定时投影方向的变化必定影响投影指标函数值的大小，可以通过求解标准差和相关系数的绝对值乘积最大值得到最佳投影方向，此处可以引用遗传算法、粒子群群算法等来优化求解过程。
(5)建立投影寻踪土壤质量综合评价模型。
将得到的最佳投影方向α*代入式(5)后可得到各样本数据点对应的投影值z*(i)，根据z*(i)～y(i)的散点图，建立投影值与土壤质量等级之间的数学关系式。对待评价样本数据采用同样的归一化方式进行处理，计算其投影值z(i)并将其代入已建立的数学模型中，最终输出待评价样本所属的土壤养分等级。
图3是本发明实施例提供的径向基神经网络拓扑结构。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述的基于机器学习算法的土壤养分预测及综合评价方法包括：
步骤一：采集土壤样品，测定各项土壤养分指标和土壤水分；搜集多种环境变量数据：土壤因子、气候因子、地形因子、植被指数和施肥数据；
步骤二：使用相关性分析和随机森林相结合的方式，对各个土壤养分指标进行空间插值进行预测，确定土壤养分的空间分布状况；并通过计算验证点的平均误差、平均绝对误差和均方根误差，对模型的预测精度进行对比；
步骤三：测定土壤养分与土壤水分、环境变量及施肥量之间的相关关系；
步骤四：利用投影寻踪模型对土壤养分进行综合评价，并制作评价等级结果空间分布图。
2.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤一中，测定各项土壤养分指标包括：有机质、全氮、速效磷、速效钾、pH值。
3.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤一中，土壤因子包括：成土母质图、土壤类型图。
4.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤一中，气候因子包括：气温、降水、日照时数。
5.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤一中，地形因子包括：高程、坡度、坡向、地形起伏度、曲率、地形湿度指数。
6.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤二中，分别基于逐步线性回归、地理加权回归模型、RBF神经网络模型和随机森林模型，对各个土壤养分指标进行空间插值进行预测，确定研究区土壤养分的空间分布状况。
7.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤二中，地理加权回归，经典的线性回归模型通常是由随机误差项εi和一套参数β0和组成，写成：
地理加权回归GWR模型结构如下：
yi＝β0(ui,vi)+∑kβk(ui,vi)xik+εi；
式中，(ui,vi)是第i个样本空间单元的地理中心坐标，βk(ui,vi)是连续函数βk(u,v)在i样本空间单元的值；以高斯函数来计算权重，高斯函数用公式表达：
式中：b是带宽；当GWR模型的赤池信息准则是最小时，带宽b为最佳。
8.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤二中，RBF神经网络的基函数是高斯核函数，公式如下：
式中，μj为第j个隐层节点的输出，X为输出样本，Cj为高斯函数的中心值，δj为标准化常数，Nh为隐层节点数；
利用matlab实现RBF神经网络训练，具体实现步骤：
①以样点的空间坐标值和辅助变量作为输入数据，对输入数据进行归一化处理；
②调用newrb()函数训练神经网络，调用格式为:net＝newrb，其中，P为输入数据；T为拟合目标数据即样点的土壤属性值；goal为mse均方误差函数，表示目标误差；spread为扩展常数；mn为隐层的最大神经元个数；df为迭代过程的显示频数；其中需要调节的参数仅有spread和mn；采用“试错法”确定两个参数的最佳值，以得到最优的网络结构参数；
③调用sim()函数进行仿真预测，调用格式为：y＝sim(net，p)，其中y为预测值，net为训练好的网络。
9.如权利要求1所述的基于机器学习算法的土壤养分预测及综合评价方法，其特征在于，所述步骤四中，投影寻踪等级评价模型的建模过程如下：
(1)建立样本集；
设根据评价标准表产生样本等级y(i)及其指标分别为及{x(i,j)|i＝1,2,…,n,j＝1,2,…,p}，其中n，p分别为样本个数和指标个数，最低等级设为1，最高等级设为N；
(2)投影值的计算；
设α＝(α1,α2,…αp)为投影方向，投影寻踪就是将x(i,j)投影到α上，得到一维投影值z(i)：
(3)构造投影指标函数；
选择标准差Sz和z(i)与y(i)的相关系数的绝对值|Rzy|来构造投影指标函数，使乘积最大；
(4)优化投影指标函数；
引用遗传算法、粒子群群算法优化求解过程；
(5)建立投影寻踪土壤质量综合评价模型；
将得到的最佳投影方向α*得到各样本数据点对应的投影值z*(i)，根据z*(i)～y(i)的散点图，建立投影值与土壤质量等级之间的数学关系式；对待评价样本数据采用同样的归一化方式进行处理，计算投影值z(i)并将其代入已建立的数学模型中，最终输出待评价样本所属的土壤养分等级。
10.一种应用权利要求1～9任意一项所述基于机器学习算法的土壤养分预测及综合评价方法的信息处理终端。
CN201811345459.XA 2018-11-13 2018-11-13 一种基于机器学习算法的土壤养分预测及综合评价方法 Pending CN109374860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811345459.XA CN109374860A (zh) 2018-11-13 2018-11-13 一种基于机器学习算法的土壤养分预测及综合评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811345459.XA CN109374860A (zh) 2018-11-13 2018-11-13 一种基于机器学习算法的土壤养分预测及综合评价方法

Publications (1)

Publication Number Publication Date
CN109374860A true CN109374860A (zh) 2019-02-22

Family

ID=65384551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811345459.XA Pending CN109374860A (zh) 2018-11-13 2018-11-13 一种基于机器学习算法的土壤养分预测及综合评价方法

Country Status (1)

Country Link
CN (1) CN109374860A (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442958A (zh) * 2019-08-01 2019-11-12 南京师范大学 一种地理分析模型影响因子评价方法
CN110458618A (zh) * 2019-08-09 2019-11-15 天津市测绘院 农地价值计算方法、装置、服务器及存储介质
CN110455726A (zh) * 2019-07-30 2019-11-15 北京安赛博技术有限公司 一种实时预测土壤水分和全氮含量的方法
CN110675036A (zh) * 2019-09-09 2020-01-10 河海大学 一种基于随机森林优化微生物指数的高原河流生态健康评价方法
CN111307643A (zh) * 2019-04-04 2020-06-19 西北大学 一种基于机器学习算法的土壤水分预测方法
CN111470806A (zh) * 2020-04-08 2020-07-31 新疆农业大学 大粒径骨料心墙沥青混凝土及其配合比优选方法
CN111551683A (zh) * 2020-06-09 2020-08-18 中国环境科学研究院 定量降水溅蚀作用下湿地系统养分释放输移通量的方法
CN111727443A (zh) * 2020-05-15 2020-09-29 安徽中科智能感知产业技术研究院有限责任公司 一种基于深度神经网络的土壤速效养分反演方法
CN111815196A (zh) * 2020-07-23 2020-10-23 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN111896416A (zh) * 2020-08-18 2020-11-06 榆林学院 一种土壤环境质量监测方法
CN112085348A (zh) * 2020-08-19 2020-12-15 浙江工业大学 基于模糊神经网络的土壤肥力评估方法
CN113159446A (zh) * 2021-05-11 2021-07-23 南京农业大学 基于神经网络的土壤养分与果实品质关系预测方法
CN113159219A (zh) * 2021-05-14 2021-07-23 广东工业大学 一种耦合遗传算法和神经网络的土壤污染物含量插值方法
CN113435707A (zh) * 2021-06-03 2021-09-24 大连钜智信息科技有限公司 基于深度学习和计权型多因子评价的测土配方施肥方法
CN113866391A (zh) * 2021-09-29 2021-12-31 天津师范大学 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN113916822A (zh) * 2021-08-27 2022-01-11 电子科技大学长三角研究院(湖州) 一种含水土壤的总氮含量红外光谱分析方法
CN114441410A (zh) * 2022-02-08 2022-05-06 鹤壁市人元生物技术发展有限公司 土壤状态的检测方法及系统
CN114778795A (zh) * 2022-04-01 2022-07-22 中国科学院地理科学与资源研究所 一种基于城市布局的土壤质量等级确定方法及装置
US11610272B1 (en) 2020-01-29 2023-03-21 Arva Intelligence Corp. Predicting crop yield with a crop prediction engine
US11704576B1 (en) 2020-01-29 2023-07-18 Arva Intelligence Corp. Identifying ground types from interpolated covariates
US11704581B1 (en) 2020-01-29 2023-07-18 Arva Intelligence Corp. Determining crop-yield drivers with multi-dimensional response surfaces
US11715024B1 (en) 2020-02-20 2023-08-01 Arva Intelligence Corp. Estimating soil chemistry at different crop field locations
CN116629492A (zh) * 2023-06-03 2023-08-22 中国农业科学院农业环境与可持续发展研究所 一种土壤质量改善效应的集成学习优化评价方法
CN116645001A (zh) * 2023-06-01 2023-08-25 中国地质科学院矿产资源研究所 一种基于多维度数据分析的金属矿山环境评价方法及装置
CN117130283A (zh) * 2023-10-26 2023-11-28 吉林大学 一种玉米按需施肥控制系统和土壤氮含量软测量方法
CN117455066A (zh) * 2023-11-13 2024-01-26 哈尔滨航天恒星数据系统科技有限公司 一种基于多策略优化随机森林的玉米种植精准配肥方法、电子设备及存储介质
CN117540409A (zh) * 2024-01-10 2024-02-09 中化现代农业有限公司 土壤采样样本点加密方法、装置、电子设备及存储介质
JP7464284B2 (ja) 2021-06-01 2024-04-09 国立研究開発法人国際農林水産業研究センター プラズマ発光分光分析を用いた土壌診断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529189A (zh) * 2013-06-28 2014-01-22 四川农业大学 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法
CN107622325A (zh) * 2017-09-12 2018-01-23 大连理工大学 基于建成环境和微博数据的交通事故时空分布量化方法
CN108491970A (zh) * 2018-03-19 2018-09-04 东北大学 一种基于rbf神经网络的大气污染物浓度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529189A (zh) * 2013-06-28 2014-01-22 四川农业大学 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法
CN107622325A (zh) * 2017-09-12 2018-01-23 大连理工大学 基于建成环境和微博数据的交通事故时空分布量化方法
CN108491970A (zh) * 2018-03-19 2018-09-04 东北大学 一种基于rbf神经网络的大气污染物浓度预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李启权等: "不同输入方式下RBF 神经网络对土壤性质空间插值的误差分析", 《土壤学报》 *
汤庆园等: "基于地理加权回归的上海市房价空间分异及其影响因子研究", 《经济地理》 *
王晓莉等: "基于粒子群投影寻踪插值模型的土壤质量评价", 《济南大学学报 自然科学版》 *
谭星: "山地丘陵区耕地土壤养分数字化制图研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
钟国辉等: "西藏米拉山区东坡垂直分布土壤肥力综合评价", 《土壤通报》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111307643A (zh) * 2019-04-04 2020-06-19 西北大学 一种基于机器学习算法的土壤水分预测方法
CN110455726A (zh) * 2019-07-30 2019-11-15 北京安赛博技术有限公司 一种实时预测土壤水分和全氮含量的方法
CN110455726B (zh) * 2019-07-30 2022-02-11 东方智感(浙江)科技股份有限公司 一种实时预测土壤水分和全氮含量的方法
CN110442958A (zh) * 2019-08-01 2019-11-12 南京师范大学 一种地理分析模型影响因子评价方法
CN110442958B (zh) * 2019-08-01 2023-03-24 南京师范大学 一种地理分析模型影响因子评价方法
CN110458618A (zh) * 2019-08-09 2019-11-15 天津市测绘院 农地价值计算方法、装置、服务器及存储介质
CN110675036A (zh) * 2019-09-09 2020-01-10 河海大学 一种基于随机森林优化微生物指数的高原河流生态健康评价方法
CN110675036B (zh) * 2019-09-09 2022-08-16 河海大学 一种基于随机森林优化微生物指数的高原河流生态健康评价方法
US11704576B1 (en) 2020-01-29 2023-07-18 Arva Intelligence Corp. Identifying ground types from interpolated covariates
US11704581B1 (en) 2020-01-29 2023-07-18 Arva Intelligence Corp. Determining crop-yield drivers with multi-dimensional response surfaces
US11610272B1 (en) 2020-01-29 2023-03-21 Arva Intelligence Corp. Predicting crop yield with a crop prediction engine
US11715024B1 (en) 2020-02-20 2023-08-01 Arva Intelligence Corp. Estimating soil chemistry at different crop field locations
CN111470806A (zh) * 2020-04-08 2020-07-31 新疆农业大学 大粒径骨料心墙沥青混凝土及其配合比优选方法
CN111470806B (zh) * 2020-04-08 2022-04-19 新疆农业大学 大粒径骨料心墙沥青混凝土及其配合比优选方法
CN111727443B (zh) * 2020-05-15 2023-10-31 安徽中科智能感知科技股份有限公司 一种基于深度神经网络的土壤速效养分反演方法
CN111727443A (zh) * 2020-05-15 2020-09-29 安徽中科智能感知产业技术研究院有限责任公司 一种基于深度神经网络的土壤速效养分反演方法
CN111551683A (zh) * 2020-06-09 2020-08-18 中国环境科学研究院 定量降水溅蚀作用下湿地系统养分释放输移通量的方法
CN111815196A (zh) * 2020-07-23 2020-10-23 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN111815196B (zh) * 2020-07-23 2023-11-24 中国环境科学研究院 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN111896416A (zh) * 2020-08-18 2020-11-06 榆林学院 一种土壤环境质量监测方法
CN112085348A (zh) * 2020-08-19 2020-12-15 浙江工业大学 基于模糊神经网络的土壤肥力评估方法
CN113159446B (zh) * 2021-05-11 2024-02-02 南京农业大学 基于神经网络的土壤养分与果实品质关系预测方法
CN113159446A (zh) * 2021-05-11 2021-07-23 南京农业大学 基于神经网络的土壤养分与果实品质关系预测方法
CN113159219A (zh) * 2021-05-14 2021-07-23 广东工业大学 一种耦合遗传算法和神经网络的土壤污染物含量插值方法
CN113159219B (zh) * 2021-05-14 2022-04-08 广东工业大学 一种耦合遗传算法和神经网络的土壤污染物含量插值方法
JP7464284B2 (ja) 2021-06-01 2024-04-09 国立研究開発法人国際農林水産業研究センター プラズマ発光分光分析を用いた土壌診断方法
CN113435707B (zh) * 2021-06-03 2023-11-10 大连钜智信息科技有限公司 基于深度学习和计权型多因子评价的测土配方施肥方法
CN113435707A (zh) * 2021-06-03 2021-09-24 大连钜智信息科技有限公司 基于深度学习和计权型多因子评价的测土配方施肥方法
CN113916822A (zh) * 2021-08-27 2022-01-11 电子科技大学长三角研究院(湖州) 一种含水土壤的总氮含量红外光谱分析方法
CN113866391B (zh) * 2021-09-29 2024-03-08 天津师范大学 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN113866391A (zh) * 2021-09-29 2021-12-31 天津师范大学 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN114441410A (zh) * 2022-02-08 2022-05-06 鹤壁市人元生物技术发展有限公司 土壤状态的检测方法及系统
CN114778795A (zh) * 2022-04-01 2022-07-22 中国科学院地理科学与资源研究所 一种基于城市布局的土壤质量等级确定方法及装置
CN114778795B (zh) * 2022-04-01 2022-11-25 中国科学院地理科学与资源研究所 一种基于城市布局的土壤质量等级确定方法及装置
CN116645001A (zh) * 2023-06-01 2023-08-25 中国地质科学院矿产资源研究所 一种基于多维度数据分析的金属矿山环境评价方法及装置
CN116645001B (zh) * 2023-06-01 2024-04-30 中国地质科学院矿产资源研究所 一种基于多维度数据分析的金属矿山环境评价方法及装置
CN116629492A (zh) * 2023-06-03 2023-08-22 中国农业科学院农业环境与可持续发展研究所 一种土壤质量改善效应的集成学习优化评价方法
CN117130283A (zh) * 2023-10-26 2023-11-28 吉林大学 一种玉米按需施肥控制系统和土壤氮含量软测量方法
CN117130283B (zh) * 2023-10-26 2024-01-05 吉林大学 一种玉米按需施肥控制系统和土壤氮含量软测量方法
CN117455066A (zh) * 2023-11-13 2024-01-26 哈尔滨航天恒星数据系统科技有限公司 一种基于多策略优化随机森林的玉米种植精准配肥方法、电子设备及存储介质
CN117540409A (zh) * 2024-01-10 2024-02-09 中化现代农业有限公司 土壤采样样本点加密方法、装置、电子设备及存储介质
CN117540409B (zh) * 2024-01-10 2024-04-19 中化现代农业有限公司 土壤采样样本点加密方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109374860A (zh) 一种基于机器学习算法的土壤养分预测及综合评价方法
Zhuo et al. Crop yield prediction using MODIS LAI, TIGGE weather forecasts and WOFOST model: A case study for winter wheat in Hebei, China during 2009–2013
Li et al. Crop yield forecasting and associated optimum lead time analysis based on multi-source environmental data across China
Deng et al. Simulation of land use/land cover change and its effects on the hydrological characteristics of the upper reaches of the Hanjiang Basin
Whetton et al. Nonlinear parametric modelling to study how soil properties affect crop yields and NDVI
Kitchen et al. Development of a conservation-oriented precision agriculture system: Crop production assessment and plan implementation
CN111307643A (zh) 一种基于机器学习算法的土壤水分预测方法
CN106600434A (zh) 基于作物模型与同化技术的作物长势遥感监测方法
CN109508824A (zh) 一种农作物生长态势检测及产量预估方法
CN111898922B (zh) 一种多尺度农作物产量评估方法及系统
Poudevigne et al. Landscape and agricultural patterns in rural areas: a case study in the Brionne Basin, Normandy, France
Wang et al. Estimating regional terrestrial carbon fluxes for the Australian continent using a multiple-constraint approach I. Using remotely sensed data and ecological observations of net primary production
Liu et al. Linking field survey with crop modeling to forecast maize yield in smallholder farmers’ fields in Tanzania
Barcza et al. Analysis of the 21-years long carbon dioxide flux dataset from a Central European tall tower site
Cheng et al. Evaluation of UAV-based drought indices for crop water conditions monitoring: A case study of summer maize
Zhai et al. CatBoost algorithm for estimating maize above-ground biomass using unmanned aerial vehicle-based multi-source sensor data and SPAD values
Francia et al. Multi-sensor profiling for precision soil-moisture monitoring
Cui et al. Estimating maize yield in the black soil region of Northeast China using land surface data assimilation: integrating a crop model and remote sensing
Elbeltagi et al. GLUE analysis of meteorological-based crop coefficient predictions to derive the explicit equation
Li et al. Machine learning modeling of water footprint in crop production distinguishing water supply and irrigation method scenarios
Schäfer Rodrigues Silva et al. Diagnosing similarities in probabilistic multi-model ensembles: an application to soil–plant-growth-modeling
Causarano et al. Improved modeling of soil organic carbon in a semiarid region of Central East Kazakhstan using EPIC
Peng et al. Mapping and describing natural terroir units in Denmark
Xin et al. CO2 control system design based on optimized regulation model
Dong et al. Improving crop modeling in saline soils by predicting root length density dynamics with machine learning algorithms

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