CN116663779A - 耕地土壤多深度肥力点面转换方法及装置 - Google Patents
耕地土壤多深度肥力点面转换方法及装置 Download PDFInfo
- Publication number
- CN116663779A CN116663779A CN202310929568.0A CN202310929568A CN116663779A CN 116663779 A CN116663779 A CN 116663779A CN 202310929568 A CN202310929568 A CN 202310929568A CN 116663779 A CN116663779 A CN 116663779A
- Authority
- CN
- China
- Prior art keywords
- fertility
- data
- soil
- cultivated land
- point
- 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.)
- Granted
Links
- 230000035558 fertility Effects 0.000 title claims abstract description 487
- 239000002689 soil Substances 0.000 title claims abstract description 317
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 55
- 238000013499 data model Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000000638 solvent extraction Methods 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 193
- 238000005192 partition Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 24
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012271 agricultural production Methods 0.000 claims description 12
- 238000003556 assay Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004141 dimensional analysis Methods 0.000 claims description 4
- 239000004016 soil organic matter Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000005527 soil sampling Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009336 multiple cropping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及土壤数据分析技术领域，尤其涉及一种耕地土壤多深度肥力点面转换方法及装置，该方法包括：获取耕地土壤的肥力辅助变量数据；根据肥力辅助变量数据计算环境相似度，并根据环境相似度对耕地土壤进行分区；获取耕地土壤任一分区多深度的样本点肥力数据；对肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取肥力辅助变量数据中的肥力变量主导因子；根据肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据；进行土壤多深度肥力展示。用以解决现有技术中难以对耕地土壤进行多深度下的肥力点面转换的缺陷，实现耕地土壤多深度的肥力展示。
Description
技术领域
本发明涉及土壤数据分析技术领域，尤其涉及一种耕地土壤多深度肥力点面转换方法及装置。
背景技术
土壤是一种重要的自然资源，土壤中有机质、氮素等参数是反映耕地土壤肥力的关键指标。不同区域耕地土壤中的有机质、氮素等土壤肥力指标存在水平上的空间差异，以及不同深度下的垂直差异。通过将不同深度的土壤肥力进行计算并制图，不仅可辅助农业部门快速掌握耕地肥力情况，以实现耕地科学管理，也是土壤固碳估算、土壤污染防治等迫切需要的基础信息。
当前针对土壤不同深度肥力空间制图主要是利用土壤“二普”或野外典型土壤剖面的点状数据，利用区域的气候、地形、植被等环境协变量结合地理加权回归、随机森林、多元线性回归等方法，将剖面的点状数据进行点面转换实现不同深度土壤肥力的面状估算，并将不同层土壤肥力面状图叠加进行立体显示，实现了土壤肥力数据从二维向三维扩展。
上述方法主要以森林、草地等生态系统为对象，但是耕地土壤是人工参与的特殊系统，且不同地方影响因素差异较大。主要表现为：（1）耕地的利用强度（如复种指数）、耕地产能、耕地的肥料投入差异等影响不同深度的土地肥力，另外耕地的土壤容重、土壤粒性等影响土壤-作物-大气复杂系统的养分、水分等物质能量的交换，也是不同深度的土地肥力差异的因素之一。因此除气候、地形等环境协变量外，耕地的生产情况及耕地中土体的容重等属性有必要作为辅助变量参与不同深度土壤肥力的点面转换中。（2）现有方法通常结合环境协变量对整个研究区域构建点面转换的统一模型，但是耕地土壤肥力指标空间上变异大，且不同区域的影响因素和影响权重也存在差异，不分区的统一点面转换模型影响了点面转换的精度。因此，如何针对耕地土壤进行多深度下的肥力点面转换，以进行土壤多深度肥力展示，是目前亟待解决的问题。
发明内容
本发明提供一种耕地土壤多深度肥力点面转换方法与装置，用以解决现有技术中难以对耕地土壤进行多深度下的肥力点面转换的缺陷，实现耕地土壤多深度的肥力展示。
本发明提供一种耕地土壤多深度肥力点面转换方法，包括：
获取耕地土壤的肥力辅助变量数据；
根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区；
获取耕地土壤任一分区多深度的样本点肥力数据；
对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子；
根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据；
根据所述肥力面状数据进行土壤多深度肥力展示。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区，包括：
将所述肥力辅助变量数据升序排列，并获取排序居中的肥力辅助变量数据；
将排序居中的肥力辅助变量数据对应的栅格点求交集，以获取所有肥力辅助变量数据的平均值参照点；
通过环境相似度计算公式，计算每个栅格点与所述参照点的环境相似度；
根据所述环境相似度对耕地土壤进行分区；
其中，所述环境相似度计算公式为：
式中，为栅格点/>与参照点/>之间的环境相似度，/>，/>为第/>个变量在栅格点和平均值参照点之间的值，/>为第/>个变量的权值，/>为第/>个变量在耕地土壤上的方差，/>为变量的总数。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述获取耕地土壤任一分区多深度的样本点肥力数据，包括：
获取耕地土壤任一分区多深度的土壤样本；
基于化验分析的结果获取所述土壤样本的样本点肥力数据。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述获取耕地土壤任一分区多深度的土壤样本，包括：
通过系统网格采样法将耕地土壤任一分区多深度进行采样点覆盖；
通过分层随机采样法将所述采样点进行加密布设；
通过所述采样点获取耕地土壤任一分区多深度的土壤样本。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述基于化验分析的结果获取所述土壤样本的样本点肥力数据，包括：
将所述土壤样本分为第一土壤样本和第二土壤样本；
基于化验分析的结果获取所述第一土壤样本的样本点肥力数据，并通过光谱测定获取所述第一土壤样本的光谱数据；
通过所述第一土壤样本的光谱数据和样本点肥力数据建立光谱-肥力反演模型；
通过光谱测定获取所述第二土壤样本的光谱数据，并通过光谱-肥力反演模型输出第二土壤样本的样本点肥力数据，将第一土壤样本和第二土壤样本各自的样本点肥力数据作为所述土壤样本的样本点肥力数据，即土壤样本的样本点肥力数据为第一土壤样本的样本点肥力数据和第二土壤样本的样本点肥力数据的合集。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子，包括：
将所述肥力辅助变量数据和样本点肥力数据输入地理探测器模型，通过所述地理探测器模型输出的值分析所述肥力辅助变量数据对样本点肥力数据的解释力，以获取所述肥力辅助变量数据中的肥力变量主导因子；
其中，所述地理探测器模型表示为：
式中，值为肥力辅助变量数据对样本点肥力数据的解释力值，值域为[0,1]，值接近1则所述解释力越强；/>为肥力辅助变量数据或样本点肥力数据的分类，/>=1,…,/>；和/>分别为层/>的样本量和耕地土壤的样本量；/>和/>分别为层/>和耕地土壤肥力的方差。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据，包括：
基于所述肥力变量主导因子样本，以及肥力变量主导因子样本对应的肥力面状数据标签进行训练，以建立耕地土壤任一分区多深度的肥力面状数据模型，所述肥力面状数据模型通过BPNN-Adaboost算法训练；
将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述根据所述肥力面状数据进行土壤多深度肥力展示，包括：
对所述肥力面状数据中的肥力分区过渡带进行平滑处理，其中，所述肥力分区过渡带通过线性加权方程公式进行区域聚合，所述线性加权方程公式表示为：
式中，为栅格点/>在耕地土壤的肥力面状数据，/>为栅格点/>与参照点/>的最大相似值，/>为参照点/>处的肥力面状数据，/>为栅格点与其它栅格点的相似值，/>为其它栅格点的环境相似度，/>为其它栅格点的肥力面状数据；
将处理后的肥力面状数据三维分析，以进行土壤多深度肥力三维展示。
根据本发明提供的一种耕地土壤多深度肥力点面转换方法，所述肥力辅助变量数据包括：环境协变量数据、农业生产数据和土壤属性数据，所述样本点肥力数据包括：土壤有机质和氮素含量。
本发明还提供一种耕地土壤多深度肥力点面转换装置，包括：
变量获取模块，用于获取耕地土壤的肥力辅助变量数据；
土壤分区模块，用于根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区；
点数据获取模块，用于获取耕地土壤任一分区多深度的样本点肥力数据；
主导因子获取模块，用于对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子；
面状数据获取模块，用于根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据；
肥力展示模块，用于根据所述肥力面状数据进行土壤多深度肥力展示。
本发明提供的一种耕地土壤多深度肥力点面转换方法，通过获取耕地土壤的肥力辅助变量数据，即影响土壤肥力的自变量，根据肥力辅助变量数据计算环境相似度，并根据环境相似度对耕地土壤进行分区，以对不同情况的耕地土壤进行区域划分，便于后续针对不同区域的耕地土壤肥力建立模型。获取耕地土壤任一分区多深度的样本点肥力数据，即反映土壤肥力指标的点状数据，对肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取肥力辅助变量数据中的肥力变量主导因子，即通过相关性分析，筛选出所有肥力辅助变量数据中对样本点肥力数据影响最大的自变量。根据肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，通过已知的肥力变量主导因子的点状数据和样本点肥力数据训练并建立肥力面状数据模型，然后将肥力变量主导因子的面状数据输入肥力面状数据模型，以输出耕地土壤任一分区多深度的肥力面状数据，实现耕地土壤多深度的肥力点面转换。最后根据肥力面状数据进行土壤多深度肥力展示，可视化展示耕地土壤多深度肥力情况，为农业生产提供重要参考。通过以上步骤，本发明解决了现有技术中难以对耕地土壤进行多深度下的肥力点面转换的缺陷，实现了耕地土壤多深度的肥力展示。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的耕地土壤多深度肥力点面转换方法的流程示意图；
图2是本发明提供的耕地土壤多深度肥力点面转换装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的耕地土壤多深度肥力点面转换方法。
如图1所示，本发明第一实施例的一种耕地土壤多深度肥力点面转换方法，具体包括以下步骤（本实施例对各步骤的编号仅做步骤区分作用，不限制各步骤的具体执行顺序）：
步骤S1：获取耕地土壤的肥力辅助变量数据。
耕地土壤的肥力辅助变量数据即影响土壤肥力的自变量，包括：环境协变量数据、农业生产数据和土壤属性数据。其中，环境协变量数据包括：气温（白天、夜间）、降水和地形（坡度、坡向、坡长、地形表面纹理）等。农业生产数据包括耕地复种指数数据、土地净初生产力数据和化肥施用量数据等。土壤属性数据包括土壤容重和土壤黏度等。
步骤S2：根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区。
不同地区的耕地成土环境存在差异，且耕地一熟、二熟、休耕、轮作等利用存在不同，因此同一土壤类型，在不同时间和空间上，耕地土壤肥力也不尽相同。传统方法一般是对耕地大区域的研究区进行预测，没有充分考虑到其内部的异质性和多样性，导致预测不准确。本发明提出了基于环境相似度进行分区，以对不同情况的耕地土壤进行区域划分，便于后续针对不同区域的耕地土壤肥力建立模型。
步骤S3：获取耕地土壤任一分区多深度的样本点肥力数据。
基于环境相似度的区域划分之后在任一分区进行土壤采样点的优化布设，并获取耕地土壤任一分区多深度的样本点肥力数据，即反映土壤肥力指标的点状数据，包括：土壤有机质和氮素含量。
步骤S4：对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子。
通过相关性分析，对肥力辅助变量数据和样本点肥力数据进行解释力分析，筛选出所有肥力辅助变量数据中的肥力变量主导因子，即对样本点肥力数据影响最大的自变量，以进行相应的模型训练。
步骤S5：根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据。
根据肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，通过已知的肥力变量主导因子的点状数据和样本点肥力数据训练并建立肥力面状数据模型，然后将肥力变量主导因子的面状数据输入肥力面状数据模型，以输出耕地土壤任一分区多深度的肥力面状数据，实现耕地土壤多深度的肥力点面转换。
步骤S6：根据所述肥力面状数据进行土壤多深度肥力展示。
最后根据肥力面状数据进行土壤多深度肥力展示，可视化展示耕地土壤多深度肥力情况，为农业生产提供重要参考。
本发明第一实施例提供的一种耕地土壤多深度肥力点面转换方法，通过获取耕地土壤的肥力辅助变量数据，即影响土壤肥力的自变量，根据肥力辅助变量数据计算环境相似度，并根据环境相似度对耕地土壤进行分区，以对不同情况的耕地土壤进行区域划分，便于后续针对不同区域的耕地土壤肥力建立模型。获取耕地土壤任一分区多深度的样本点肥力数据，即反映土壤肥力指标的点状数据，对肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取肥力辅助变量数据中的肥力变量主导因子，即通过相关性分析，筛选出所有肥力辅助变量数据中对样本点肥力数据影响最大的自变量。根据肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，通过已知的肥力变量主导因子的点状数据和样本点肥力数据训练并建立肥力面状数据模型，然后将肥力变量主导因子的面状数据输入肥力面状数据模型，以输出耕地土壤任一分区多深度的肥力面状数据，实现耕地土壤多深度的肥力点面转换。最后根据肥力面状数据进行土壤多深度肥力展示，可视化展示耕地土壤多深度肥力情况，为农业生产提供重要参考。通过以上步骤，本发明解决了现有技术中难以对耕地土壤进行多深度下的肥力点面转换的缺陷，实现了耕地土壤多深度的肥力展示。
本实施例中，所述根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区，包括：
将所述肥力辅助变量数据升序排列，并获取排序居中的肥力辅助变量数据；
将排序居中的肥力辅助变量数据对应的栅格点求交集，以获取所有肥力辅助变量数据的平均值参照点；
通过环境相似度计算公式，计算每个栅格点与所述参照点的环境相似度；
根据所述环境相似度对耕地土壤进行分区；
其中，所述环境相似度计算公式为：
式中，为栅格点/>与参照点/>之间的环境相似度，/>，/>为第/>个变量在栅格点和平均值参照点之间的值，/>为第/>个变量的权值，/>为第/>个变量在耕地土壤上的方差，/>为变量的总数。
将耕地土壤所有栅格点每个肥力辅助变量数据分别升序排列，然后将肥力辅助变量数据排序中相对居中区间（40%-60%）的值筛选出来，将对应的栅格点求交集，得到一个或多个值，将其作为能表征该耕地土壤所有肥力辅助变量数据的平均值参照点（多值中挑选一个）。通过环境相似度计算公式，计算每个栅格点/>与参照点/>的环境相似度。式中，/>权重由专家评分法确定，即在确定几个肥力辅助变量数据权重时，根据目标区域的土壤耕地特征结合专家意见定义权重，对耕地土壤进行分区。式中/>的值越接近，表明环境相似度越大。得到所有栅格点/>的环境相似度后，根据需求按照不同等级进行区域划分。通过上述步骤对不同情况的耕地土壤进行区域划分，便于后续针对不同区域的耕地土壤肥力建立模型。
本实施例中，所述获取耕地土壤任一分区多深度的样本点肥力数据，包括：
获取耕地土壤任一分区多深度的土壤样本；
通过基于化验分析的结果获取所述土壤样本的样本点肥力数据。
基于环境相似度的区域划分之后在任一分区进行土壤采样点的优化布设，通过土壤采样点获取耕地土壤任一分区多深度的土壤样本，并通过基于化验分析的结果获取所述土壤样本的样本点肥力数据，此时获取的样本点肥力数据为基于各土壤样本的样本点肥力数据，通过常规方式获取土壤样本的样本点肥力数据，便于后续计算预测整个土壤肥力的面状数据。
本实施例中，所述获取耕地土壤任一分区多深度的土壤样本，包括：
通过系统网格采样法将耕地土壤任一分区多深度进行采样点覆盖；
通过分层随机采样法将所述采样点进行加密布设；
通过所述采样点获取耕地土壤任一分区多深度的土壤样本。
在土壤采样点的布设过程中，首先利用系统网格采样法确保采样点可覆盖整个耕地土壤区域，具体方法是将一张网格叠加在耕地土壤上，选择在每个网格交汇点或网格中心点处取样点，网格大小根据区域面积设定。之后利用分层随机采样法进行采样点的加密布设，通常利用土壤类型、海拔、坡度等作为分层依据，或对于人为扰动潜在影响较强以及土壤农业利用强度较高的地，例如村镇附近的耕地等进行加密布点，最后对于采样点未覆盖到的耕地土壤类型，在其图斑内进行随机布点，布点时考虑道路可达性。采样时通过GPS对平均值参照点位的经纬度坐标和高程进行记录，通过土壤取样钻机采集1米深的土柱，并分5层取不同深度的土壤柱体样本（深度分别为0-5cm，5-15cm，15-30cm，30-60cm，60-100cm）。本实施例中土壤采样点的布设基于系统网格采样法与分层随机采样法相结合的方法，以保证每个分区内有适量的耕地土壤样本。
本实施例中，所述基于化验分析的结果获取所述土壤样本的样本点肥力数据，包括：
将所述土壤样本分为第一土壤样本和第二土壤样本；
基于化验分析的结果获取所述第一土壤样本的样本点肥力数据，并通过光谱测定获取所述第一土壤样本的光谱数据；
通过所述第一土壤样本的光谱数据和样本点肥力数据建立光谱-肥力反演模型；
通过光谱测定获取所述第二土壤样本的光谱数据，并通过光谱-肥力反演模型输出第二土壤样本的样本点肥力数据，将第一土壤样本和第二土壤样本各自的样本点肥力数据作为所述土壤样本的样本点肥力数据，即土壤样本的样本点肥力数据为第一土壤样本的样本点肥力数据和第二土壤样本的样本点肥力数据的合集。
为了保障任一分区有足够的土壤样本数据且节约实验室化验成本，基于土壤有机质、氮素含量高低与土壤光谱数据的反射特征，本发明采用土壤反射光谱法从复杂的土壤高光谱数据中预测土壤有机质、氮素等土壤肥力数据。
将获取的耕地土壤任一分区多深度的土壤样本进行常温烘干或低温烤箱烘干，取1/10土壤样本作为第一土壤样本，通过实验室化验的方式获取样本点肥力数据，并通过光谱测定的方式获取光谱数据。其余样本作为第二土壤样本，经过研磨过筛等制备工序后进行光谱反射率测量以获取光谱数据。通过第一土壤样本的光谱数据和样本点肥力数据建立光谱-肥力反演模型，然后通过第二土壤样本的光谱数据和光谱-肥力反演模型测算第二土壤样本的样本点肥力数据。最后将第一土壤样本和第二土壤样本各自的样本点肥力数据作为所述土壤样本的样本点肥力数据，即土壤样本的样本点肥力数据为第一土壤样本的样本点肥力数据和第二土壤样本的样本点肥力数据的合集。通过上述步骤，能够在不增加化验成本的前提下增加样点量数据获取，保证任一分区都有足够的样本数据，为基于分区的耕地土壤肥力点面转换提供了数据保障。
本实施例中，所述对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子，包括：
将所述肥力辅助变量数据和样本点肥力数据输入地理探测器模型，通过所述地理探测器模型输出的值分析所述肥力辅助变量数据对样本点肥力数据的解释力，以获取所述肥力辅助变量数据中的肥力变量主导因子；
其中，所述地理探测器模型表示为：
式中，值为肥力辅助变量数据对样本点肥力数据的解释力值，值域为[0,1]，值接近1则所述解释力越强；/>为肥力辅助变量数据或样本点肥力数据的分类，/>=1,…,/>；和/>分别为层/>的样本量和耕地土壤的样本量；/>和/>分别为层/>和耕地土壤肥力的方差。
对任一分区的环境协变量数据、农业生产数据和土壤属性数据等肥力辅助变量数据量，通过地理探测器模型筛选出肥力辅助变量数据中的肥力变量主导因子。
首先在任一分区、不同土壤深度下获取各自所有的肥力辅助变量数据和样本点肥力数据，如果肥力辅助变量数据为数值量，则需要进行离散化处理。将肥力辅助变量数据和样本点肥力数据输入地理探测器模型，然后运行。该模型采用值分析肥力辅助变量数据对样本点肥力数据的解释力。将计算出的/>值从大到小排序，选取前10-15个肥力辅助变量数据作为肥力变量主导因子。通过上述方法分别在任一分区内不同土壤深度下进行肥力变量主导因子的筛选，以进行相应的模型训练，确保所得模型进行预测的准确性。
本实施例中，所述根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据，包括：
基于所述肥力变量主导因子样本，以及肥力变量主导因子样本对应的肥力面状数据标签进行训练，以建立耕地土壤任一分区多深度的肥力面状数据模型，所述肥力面状数据模型通过BPNN-Adaboost算法训练；
将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据。
针对不同分区，利用BPNN-Adaboost（Back Propagation Neural Network-Adaptive Boosting）算法结合肥力变量主导因子建立耕地土壤任一分区多深度的肥力面状数据模型，即每个分区的不同深度均对应一个肥力面状数据模型。该模型是在BP神经网络基础上进行的一种Adaboost迭代算法，主要针对样本建模集训练出不同的弱分类器，通过上一次弱分类器的误差范围来确定样本自下一次建模中的建模权重，对于建模集中误差范围在设定范围内的样本减少其权重，超出误差范围的样本加大其训练的权重值，最后将训练好的弱分类器汇总成为一个强分类器使用加权投票算法代替平均投票算法。该方法可有效地对BP神经网络进行集成，预测结果相比单个BP神经网络模型结果更加理想。
分别建立耕地土壤任一分区多深度的肥力面状数据模型。建立单个肥力面状数据模型的过程中，将全部样本点按照7：3的比例随机划分为建模集和验证集。基于肥力变量主导因子样本，以及肥力变量主导因子样本对应的肥力面状数据标签进行训练，以建立肥力面状数据模型。其中，确定BPNN最佳层数、节点数、步长和学习率等参数，在其基础上实现BPNN-Adaboost算法，预设算法中的重采样次数，即迭代次数和预设的最小误差阈值，在满足均方根误差最小的条件下，尽量选择重采样次数最小。
最后，将对应任一分区不同土壤深度筛选出的肥力变量主导因子的栅格数据输入至已训练好参数的肥力面状数据模型中，进行土壤多深度肥力分区反演预测，以输出耕地土壤任一分区多深度的肥力面状数据，实现耕地土壤多深度的肥力点面转换。
本实施例中，所述根据所述肥力面状数据进行土壤多深度肥力展示，包括：
对所述肥力面状数据中的肥力分区过渡带进行平滑处理，其中，所述肥力分区过渡带通过线性加权方程公式进行区域聚合，所述线性加权方程公式表示为：
式中，为栅格点/>在耕地土壤的肥力面状数据，/>为栅格点/>与参照点/>的最大相似值，/>为参照点/>处的肥力面状数据，/>为栅格点与其它栅格点的相似值，/>为其它栅格点的环境相似度，/>为其它栅格点的肥力面状数据；
将处理后的肥力面状数据三维分析，以进行土壤多深度肥力三维展示。
之后对肥力面状数据中的肥力分区过渡带进行平滑处理。平滑处理结合环境相似度计算公式和线性加权方程公式处理，包括两部分：最大环境相似度栅格点值与环境相似度系数乘积，以及其它栅格点值与环境相似度系数乘积的累计和，通过线性加权方程公式实现聚合。线性加权方程公式中，在确定一个栅格点上的参数值时，采用环境相似度作为栅格点的权重。并且在进行聚合即区域拼接时，两个相邻的分区各选择20%的缓冲带进行拼接。对任一分区过渡带进行平滑处理，便于后续耕地土壤不同深度肥力的专题图制作。
将拼接处理后的耕地土壤不同深度肥力栅格数据进行分级渲染，添加图名、图例、指北针、比例尺等制图要素，制作耕地土壤不同深度肥力专题图。然后导入三维分析模块中，分别设置不同土壤深度，以进行土壤多深度肥力三维展示，可视化展示耕地土壤多深度肥力情况，为农业生产提供重要参考。
本实施例中，所述肥力辅助变量数据包括：环境协变量数据、农业生产数据和土壤属性数据，所述样本点肥力数据包括：土壤有机质和氮素含量。
通过分析环境协变量数据、农业生产数据和土壤属性数据等自变量与土壤有机质和氮素含量等因变量的关联性，并以此建立模型进行肥力预测，实现了耕地土壤进行多深度下的肥力点面转换。
如图2所示，本发明第二实施例还提供一种耕地土壤多深度肥力点面转换装置，包括：
变量获取模块210，用于获取耕地土壤的肥力辅助变量数据。
土壤分区模块220，用于根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区。
点数据获取模块230，用于获取耕地土壤任一分区多深度的样本点肥力数据。
主导因子获取模块240，用于对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子。
面状数据获取模块250，用于根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据。
肥力展示模块260，用于根据所述肥力面状数据进行土壤多深度肥力展示。
本发明第二实施例提供的一种耕地土壤多深度肥力点面转换装置，通过获取耕地土壤的肥力辅助变量数据，即影响土壤肥力的自变量，根据肥力辅助变量数据计算环境相似度，并根据环境相似度对耕地土壤进行分区，以对不同情况的耕地土壤进行区域划分，便于后续针对不同区域的耕地土壤肥力建立模型。获取耕地土壤任一分区多深度的样本点肥力数据，即反映土壤肥力指标的点状数据，对肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取肥力辅助变量数据中的肥力变量主导因子，即通过相关性分析，筛选出所有肥力辅助变量数据中对样本点肥力数据影响最大的自变量。根据肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，通过已知的肥力变量主导因子的点状数据和样本点肥力数据训练并建立肥力面状数据模型，然后将肥力变量主导因子的面状数据输入肥力面状数据模型，以输出耕地土壤任一分区多深度的肥力面状数据，实现耕地土壤多深度的肥力点面转换。最后根据肥力面状数据进行土壤多深度肥力展示，可视化展示耕地土壤多深度肥力情况，为农业生产提供重要参考。通过以上步骤，本发明解决了现有技术中难以对耕地土壤进行多深度下的肥力点面转换的缺陷，实现了耕地土壤多深度的肥力展示。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种耕地土壤多深度肥力点面转换方法，其特征在于，包括：
获取耕地土壤的肥力辅助变量数据；
根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区；
获取耕地土壤任一分区多深度的样本点肥力数据；
对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子；
根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据；
根据所述肥力面状数据进行土壤多深度肥力展示。
2.根据权利要求1所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区，包括：
将所述肥力辅助变量数据升序排列，并获取排序居中的肥力辅助变量数据；
将排序居中的肥力辅助变量数据对应的栅格点求交集，以获取所有肥力辅助变量数据的平均值参照点；
通过环境相似度计算公式，计算每个栅格点与所述参照点的环境相似度；
根据所述环境相似度对耕地土壤进行分区；
其中，所述环境相似度计算公式为：
；
式中，为栅格点/>与参照点/>之间的环境相似度，/>，/>为第/>个变量在栅格点和平均值参照点之间的值，/>为第/>个变量的权值，/>为第/>个变量在耕地土壤上的方差，/>为变量的总数。
3.根据权利要求1所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述获取耕地土壤任一分区多深度的样本点肥力数据，包括：
获取耕地土壤任一分区多深度的土壤样本；
基于化验分析的结果获取所述土壤样本的样本点肥力数据。
4.根据权利要求3所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述获取耕地土壤任一分区多深度的土壤样本，包括：
通过系统网格采样法将耕地土壤任一分区多深度进行采样点覆盖；
通过分层随机采样法将所述采样点进行加密布设；
通过所述采样点获取耕地土壤任一分区多深度的土壤样本。
5.根据权利要求3所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述基于化验分析的结果获取所述土壤样本的样本点肥力数据，包括：
将所述土壤样本分为第一土壤样本和第二土壤样本；
基于化验分析的结果获取所述第一土壤样本的样本点肥力数据，并通过光谱测定获取所述第一土壤样本的光谱数据；
通过所述第一土壤样本的光谱数据和样本点肥力数据建立光谱-肥力反演模型；
通过光谱测定获取所述第二土壤样本的光谱数据，并通过光谱-肥力反演模型输出第二土壤样本的样本点肥力数据，将第一土壤样本和第二土壤样本各自的样本点肥力数据作为所述土壤样本的样本点肥力数据，即土壤样本的样本点肥力数据为第一土壤样本的样本点肥力数据和第二土壤样本的样本点肥力数据的合集。
6.根据权利要求1所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子，包括：
将所述肥力辅助变量数据和样本点肥力数据输入地理探测器模型，通过所述地理探测器模型输出的值分析所述肥力辅助变量数据对样本点肥力数据的解释力，以获取所述肥力辅助变量数据中的肥力变量主导因子；
其中，所述地理探测器模型表示为：
；
式中，值为肥力辅助变量数据对样本点肥力数据的解释力值，值域为[0,1]，值接近1则所述解释力越强；/>为肥力辅助变量数据或样本点肥力数据的分类，/>=1,…,/>；/>和分别为层/>的样本量和耕地土壤的样本量；/>和/>分别为层/>和耕地土壤肥力的方差。
7.根据权利要求1所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据，包括：
基于所述肥力变量主导因子样本，以及肥力变量主导因子样本对应的肥力面状数据标签进行训练，以建立耕地土壤任一分区多深度的肥力面状数据模型，所述肥力面状数据模型通过BPNN-Adaboost算法训练；
将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据。
8.根据权利要求2所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述根据所述肥力面状数据进行土壤多深度肥力展示，包括：
对所述肥力面状数据中的肥力分区过渡带进行平滑处理，其中，所述肥力分区过渡带通过线性加权方程公式进行区域聚合，所述线性加权方程公式表示为：
；
式中，为栅格点/>在耕地土壤的肥力面状数据，/>为栅格点/>与参照点/>的最大相似值，/>为参照点/>处的肥力面状数据，/>为栅格点/>与其它栅格点的相似值，/>为其它栅格点的环境相似度，/>为其它栅格点的肥力面状数据；
将处理后的肥力面状数据三维分析，以进行土壤多深度肥力三维展示。
9.根据权利要求1 ~ 8中任一项所述的耕地土壤多深度肥力点面转换方法，其特征在于，所述肥力辅助变量数据包括：环境协变量数据、农业生产数据和土壤属性数据，所述样本点肥力数据包括：土壤有机质和氮素含量。
10.一种耕地土壤多深度肥力点面转换装置，其特征在于，包括：
变量获取模块，用于获取耕地土壤的肥力辅助变量数据；
土壤分区模块，用于根据所述肥力辅助变量数据计算环境相似度，并根据所述环境相似度对耕地土壤进行分区；
点数据获取模块，用于获取耕地土壤任一分区多深度的样本点肥力数据；
主导因子获取模块，用于对所述肥力辅助变量数据和样本点肥力数据进行解释力分析，以获取所述肥力辅助变量数据中的肥力变量主导因子；
面状数据获取模块，用于根据所述肥力变量主导因子和样本点肥力数据建立耕地土壤任一分区多深度的肥力面状数据模型，并将所述肥力变量主导因子输入肥力面状数据模型，输出耕地土壤任一分区多深度的肥力面状数据；
肥力展示模块，用于根据所述肥力面状数据进行土壤多深度肥力展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929568.0A CN116663779B (zh) | 2023-07-27 | 2023-07-27 | 耕地土壤多深度肥力点面转换方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929568.0A CN116663779B (zh) | 2023-07-27 | 2023-07-27 | 耕地土壤多深度肥力点面转换方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663779A true CN116663779A (zh) | 2023-08-29 |
| CN116663779B CN116663779B (zh) | 2023-10-20 |
Family
ID=87715664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310929568.0A Active CN116663779B (zh) | 2023-07-27 | 2023-07-27 | 耕地土壤多深度肥力点面转换方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663779B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631545A (zh) * | 2024-01-26 | 2024-03-01 | 鄂尔多斯应用技术学院 | 基于自主导航的农业机械控制优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016596A (zh) * | 2020-08-10 | 2020-12-01 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
| CN113111799A (zh) * | 2021-04-19 | 2021-07-13 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
| 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 |
-
2023
- 2023-07-27 CN CN202310929568.0A patent/CN116663779B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016596A (zh) * | 2020-08-10 | 2020-12-01 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
| CN113111799A (zh) * | 2021-04-19 | 2021-07-13 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 李小平 等: "土壤肥力因子数值化综合分析的程序方法", 农业网络信息, no. 02, pages 23 - 26 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631545A (zh) * | 2024-01-26 | 2024-03-01 | 鄂尔多斯应用技术学院 | 基于自主导航的农业机械控制优化方法及系统 |
| CN117631545B (zh) * | 2024-01-26 | 2024-03-26 | 鄂尔多斯应用技术学院 | 基于自主导航的农业机械控制优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663779B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Pedoclimatic zone-based three-dimensional soil organic carbon mapping in China | |
| Aslam et al. | The use of local climate zones in the urban environment: A systematic review of data sources, methods, and themes | |
| Roy et al. | Predicting land cover change in a Mediterranean catchment at different time scales | |
| Liu et al. | Improving simulation of soil moisture in China using a multiple meteorological forcing ensemble approach | |
| Wang et al. | Impacts of urbanization on soil organic carbon stocks in the northeast coastal agricultural areas of China | |
| CN111678866A (zh) | 一种多模型集成学习的土壤含水量反演方法 | |
| CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
| CN109657988B (zh) | 基于hasm和欧氏距离算法的烟叶品质分区方法 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| Jiang et al. | Improving aboveground biomass estimation of natural forests on the Tibetan Plateau using spaceborne LiDAR and machine learning algorithms | |
| WO2024152865A1 (zh) | 一种基于气象站的生态系统碳水通量计算方法及系统 | |
| Wang et al. | Remote sensing for snow hydrology in China: challenges and perspectives | |
| Cao et al. | Monitoring changes in the impervious surfaces of urban functional zones using multisource remote sensing data: A case study of Tianjin, China | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Jiang et al. | Monitoring the coastal environment using remote sensing and GIS techniques | |
| CN113657014A (zh) | 一种基于量子游走的临近空间大气状态模拟方法及装置 | |
| CN116663779B (zh) | 耕地土壤多深度肥力点面转换方法及装置 | |
| CN104424373B (zh) | 一种空间变量相关性的精细表达方法 | |
| Zhang et al. | How do morphology factors affect urban heat island intensity? an approach of local climate zones in a fast-growing small city, Yangling, China | |
| Gündoğdu et al. | Application of feed forward and cascade forward neural network models for prediction of hourly ambient air temperature based on MERRA-2 reanalysis data in a coastal area of Turkey | |
| 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 | |
| Zhou et al. | Estimation of aboveground biomass of senescence grassland in China's arid region using multi-source data | |
| Wang et al. | Research on habitat quality assessment and decision-making based on Semi-supervised Ensemble Learning method—Daxia River Basin, China | |
| Stević et al. | Automated identification of land cover type using multispectral satellite images | |
| Wang et al. | A new method for mapping vegetation structure parameters in forested areas using GEDI data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |