建立制图模型前,数据检验须符合制图模型的数学假设。制图方法多采用数学模型,基于统计均值和平均关系的制图方法,要求样本符合相应的数学假设,例如符合正态分布。样本需验证并符合相关数学假设条件,方可进行模型制图。3精度保障原则
数字土壤制图结果,需要进行预测样点验证,评估模型的制图精度。随机选取20%的样点,比较实测值与预测值;也可以采取全样点交叉验证,来验证制图的精度,通过相应的验证指标评估后,制图结果方可采用作为数据成果。对于争议比较大或与经验出现巨大差异的图斑区域,需进行实地勘察验证。
机器学习模型利用机器学习与数据挖掘方法,提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布,可以解决土壤属性与环境变量的非线性问题,包括随机森林人工神经网络分类与回归树等。目前随机森林法进行属性制图在数据挖掘方法中应用广泛。
模糊推理是将土壤与环境关系表达为隶属度值,利用单个土壤样点在空间上的代表性推测土壤目标变量的空间变化。该方法制图效果依赖于单个样点的可靠性,要求对样点的可靠性进行质量检查。上述方法有两个制约需要大量的土壤样点来提取统计关系;需要具有较好的空间代表性,除机器学习模型外,其它模型制图区域通常不宜过大。
(a)哑变量方法是应用比较普遍的类别变量处理方式。赋值方法如下对n+1个土地利用方式,定义n个哑变量(X8X8……,X8n),以哑变量组合表示土地利用方式。土地利用方式也是影响土壤养分分布的重要因素。但土地利用方式为类别变量,不能直接用于回归分析,可采用两种方法为其赋值引入回归方程。5土地利用变量的表征与数据处理
以上信息由专业从事土壤普查外业调查采样公司的得正工程于2024/5/20 12:37:53发布
转载请注明来源:http://m.herostart.com/qynews/sddezheng-2755989506.html