专利汇可以提供基于土壤类型归并与多元回归的土壤锰含量预测方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及基于 土壤 类型归并与多元回归的土壤锰含量预测方法,涉及土壤微量元素在不同土壤类型内,表现出的不同空间变异特征的分治处理,能够通过分析土壤有效锰含量空间分布的离散程度来探测其空间异质性,并能够通过局部回归分析诊断出局部回归分析中的多重共线性问题;特别是在空间预测过程中,通过测度不同土样 采样 密度 下土壤有效锰含量空间分布特征构建综合 预测模型 。,下面是基于土壤类型归并与多元回归的土壤锰含量预测方法专利的具体信息内容。
1.基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,包括如下步骤:
步骤1.分别获取待预测土壤区域中各个采样点分别所对应指定各个土壤信息指标,以及所对应土壤锰含量,并构建总数据集,同时,定义指定各个土壤信息指标为自变量,土壤锰含量为因变量;然后基于不同土壤采样密度,由总数据集构建验证数据集和至少两个训练数据集;
步骤2.分别针对各个训练数据集,基于归并土壤类型,获得训练数据集基于归并土壤类型级别的土壤锰含量变异系数数据集,并构建对应所有训练数据集中所有采集点的土壤锰含量变异系数直方图;同时,构建所有训练数据集分别对应于不同土壤类型级别的主成分分析散点图;然后基于土壤锰含量变异系数直方图和主成分分析散点图,确定土壤类型对不同采样密度土壤属性空间变异性影响的显著性;
步骤3.分别获得各个训练数据集分别所对应的最优自变量集合,并获得各个训练数据集分别对应其所有自变量的平稳性指数,判断自变量与因变量所构建模型是否满足二阶平稳性;
步骤4.根据土壤类型对土壤属性空间变异影响程度与二阶平稳假设测试结果,基于各个训练数据集,选择预测模型集合;
步骤5.采用预测模型集合针对其中一个训练数据集进行训练,遴选最优预测模型,针对待预测土壤区域进行预测,获得待预测土壤区域土壤锰含量空间分布图。
2.根据权利要求1所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤1包括如下步骤:
步骤1a.获得待预测土壤区域中各个采样点的投影坐标集Site,并获得相邻采样点之间的欧氏距离,然后针对待预测土壤区域中采样点的投影坐标进行调整更新,使得相邻采样点之间的欧氏距离不小于d,d表示待预测土壤区域指定各个土壤信息指标的空间分辨率;
步骤1b.预设时间、气候、母质、地形、生物五大要素分别所对应的土壤信息指标共同作为指定各个土壤信息指标,分别获取待预测土壤区域中各个采样点分别所对应指定各个土壤信息指标,作为自变量,构成Pred={X1,…,Xk,…,XK},k={1,…,K},K表示指定各个土壤信息指标的种类数,向量Xk表示各个采样点分别对应第k种指定土壤信息指标所构成的向量,为n×1向量,n表示采样点的总数;
步骤1c.获得待预测土壤区域中各个采样点分别所对应的土壤类型级别,并按各土壤类型级别分别所对应的采样点,构成Soil_T=(Type1,…,Typem,…,TypeM),Soil_T为n×M向量,m={1,…,M},Typem表示第m种土壤类型级别所对应的采集点,M表示土壤类型级别的种类;
步骤1d.以土壤锰含量为因变量,根据Pred、各个采样点所在位置土壤锰含量的集合S、Site、Soil_T,构建总数据集Data=(Pred,S,Site,Soil_T);同时,根据待预测土壤区域的面积,获得采样点所对应的采样密度Density;
步骤1e.以采样点为抽取对象,由总数据集Data中,任意提取占全部采样点预设比例数量的各个采样点所对应的数据,构成验证数据集,剩余采样点构成待选训练采样点集合;
步骤1f.以采样点为抽取对象,由总数据集Data中提取对应于待选训练采样点集合中采样点所对应的数据,构建至少两个训练数据集,并且,其中一个训练数据集所对应的采样点为待选训练采样点集合中的全部采样点,其余训练数据集所对应的采样点为待选训练采样点集合中的部分采样点。
3.根据权利要求2所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤1a中,针对待预测土壤区域中所有相邻采样点进行如下处理,实现针对待预测土壤区域中采样点投影坐标的调整更新,使得相邻采样点之间的欧氏距离不小于d:若采样点p1与p2的欧氏距离小于d,以采样点p1为圆心,d为半径范围内的采样点个数为n1,以采样点p2为圆心,d为半径范围内的采样点个数为n2,若n1
5.根据权利要求2所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤1f中,以采样点为抽取对象,由总数据集Data中提取对应于待选训练采样点集合中采样点所对应的数据,构建四个训练数据集,其中,各个训练数据集中向量行数分别为m,50%×m,25%×m,12%×m,其中,m表示待选训练采样点集合所对应采集点的个数。
6.根据权利要求2所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤2包括如下步骤:
步骤2a.分别针对各个训练数据集,根据如下公式,分别计算获得训练数据集所对应各土壤类型级别下土壤锰含量的变异系数CVm;
则由该训练数据集所对应各土壤类型级别下土壤锰含量的变异系数CVm,构建该训练数据集基于土壤类型级别的土壤锰含量变异系数数据集,即获得各个训练数据集分别基于土壤类型级别的土壤锰含量变异系数数据集CV_Soil_T;其中,SDm与Meanm为第m种土壤类型级别下土壤锰含量的标准偏差与平均值;
步骤2b.分别针对各个训练数据集,针对训练数据集所对应各土壤类型级别的土壤数据,分别采用Duncan法进行多组样本间差异显著性分析,获得该训练数据集所对应的显著性分析结果,即获得各个训练数据集分别所对应的Duncan分析结果Dun_S;
步骤2c.分别针对各个训练数据集,根据训练数据集所对应的Duncan分析结果Dun_S,以及该训练数据集所对应的不同土壤类型级别,针对该训练数据集所对应的各个土壤类型进行归并处理,并计算更新该训练数据集所对应各土壤类型级别下土壤锰含量的变异系数,构建该训练数据集基于归并土壤类型级别的土壤锰含量变异系数数据集,即获得各个训练数据集分别基于归并土壤类型级别的土壤锰含量变异系数数据集CV_Soil_T_Dun;
步骤2d.根据各个训练数据集分别基于归并土壤类型级别的土壤锰含量变异系数数据集CV_Soil_T_Dun,构建对应所有训练数据集中所有采集点的土壤锰含量变异系数直方图;
步骤2e.采用主成分分析法,根据各个训练数据集中各采集点分别所属土壤类型级别,针对所有训练数据集,构建分别对应于不同土壤类型级别的主成分分析散点图;
步骤2f.基于土壤锰含量变异系数直方图和主成分分析散点图,确定土壤类型对不同采样密度土壤属性空间变异性影响的显著性。
7.根据权利要求6所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤3包括如下步骤:
步骤3a.通过逐步回归方法,分别获得各个训练数据集所对应的最优自变量集合Pred_OLS;
步骤3b.分别针对各个训练数据集,根据训练数据集所对应的最优自变量集合Pred_OLS,使用地理加权回归方法对训练数据集进行模型拟合,获得该训练数据集所对应采集点的回归系数集Coeff;
步骤3c.分别针对各个训练数据集,根据训练数据集,以及该训练数据集所对应的最优自变量集合Pred_OLS,计算获得该训练数据集所对应多元回归分析模型的标准差,即获得各个训练数据集分别所对应多元回归分析模型的标准差STDMLR;
步骤3d.分别针对各个训练数据集,根据如下公式:
计算获得训练数据集对应所有自变量的平稳性指数SI,即获得各个训练数据集分别对应其所有自变量的平稳性指数SI,式中,INTQGWR表示训练数据集所对应采集点回归系数的四分位距;
步骤3e.计算获得各个训练数据集分别对应其所有自变量平稳性指数SI的均值Average_SI;
步骤3f.根据Average_SI与1的比较,判断自变量与因变量所构建模型是否满足二阶平稳性。
8.根据权利要求7所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤4包括如下步骤:
步骤4a.分别针对各个训练数据集,采用地统计分析方法,构建获得训练数据集的最优半变异函数模型,并计算其空间有效距离与模型确定系数;
步骤4b.若所有训练数据集最优半变异函数模型的模型确定系数均大于0.5,且块金值与基台值的比值均小于25%,则所有训练数据集使用地统计模型,并进入步骤4c;否则所有训练数据集不使用地统计模型,并进入步骤4d;
步骤4c.根据步骤2、步骤3与步骤4b的结论,即土壤类型对土壤属性空间变异影响程度与二阶平稳假设测试结果,按如下选择预测模型:
若土壤类型对土壤属性空间变异影响不显著、且满足二阶平稳性假设,则选择多元回归和地统计构成预测模型集合;
若土壤类型对土壤属性空间变异影响不显著、不满足二阶平稳性假设,则选择多元回归和地理加权回归构成预测模型集合;
若土壤类型对土壤属性空间变异影响显著、满足二阶平稳性假设,则选择多元回归和分区地统计模型构成预测模型集合;
若土壤类型对土壤属性空间变异影响显著、不满足二阶平稳性假设,则选择多元回归、地理加权回归和分区地理加权回归构成预测模型集合;
步骤4d.根据步骤2、步骤3与步骤4b的结论,也即土壤类型对土壤属性空间变异影响程度与二阶平稳假设测试结果,按如下选择预测模型:
若土壤类型对土壤属性空间变异影响不显著、满足二阶平稳性假设,则选择多元回归、回归克里格构成预测模型集合;
若土壤类型对土壤属性空间变异影响不显著、不满足二阶平稳性假设,则选择多元回归和地理加权回归构成预测模型集合;
若土壤类型对土壤属性空间变异影响显著、满足二阶平稳性假设,则选择多元回归构成预测模型集合;
若土壤类型对土壤属性空间变异影响显著、不满足二阶平稳性假设,则选择多元回归、地理加权回归和分区地理加权回归构成预测模型集合。
9.根据权利要求8所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤5包括如下步骤:
步骤5a.基于采样点为待选训练采样点集合中全部采样点的训练数据集,针对步骤4所获预测模型集合中的模型进行训练,获得经过训练的预测模型集合;
步骤5b.采用经过训练的预测模型集合中的模型针对验证数据集中各个采集点的土壤锰含量进行预测,并根据验证数据集,计算获得预测模型集合中模型预测的均方根误差;
步骤5c.重复步骤5b预设次数,计算每次交叉验证的均方根误差均值,并选择最小均方根误差均值所对应的模型作为最优预测模型,构成最优预测模型集合;
步骤5d.根据步骤3a所获各个训练数据集所对应的最优自变量集合Pred_OLS,获得待预测土壤区域中非采集点所对应的自变量数据;
步骤5e.采用步骤5c中所获最优预测模型集合,以及步骤5d所获自变量数据,针对待预测土壤区域中非采集点的土壤锰含量进行预测,实现针对待预测土壤区域的土壤锰含量预测,获得待预测土壤区域土壤锰含量空间分布图。
10.根据权利要求9所述基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,所述步骤5a中,若所述步骤4所获预测模型集合中包括分区地理加权回归或分区地统计模型,则针对分区地理加权回归的训练方法如下:
将归并的土壤类型的区域作为单独的研究区域,通过如下基于土壤类型的分区地理加权回归模型:
进行局部模型的训练,其中,(ui,vi)是样点i的坐标,β0(ui,vi),βk(ui,vi)与εi分别代表局部回归中的常数项、局部回归系数与预测偏差,s表示归并后的土壤类型分类变量,m表示归并后的土壤类型总数。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
利用土壤基质-膜系统分离土壤功能微生物的方法 | 2020-05-13 | 370 |
一种防治土壤板结的土壤调理剂及其应用 | 2020-05-12 | 469 |
一种培肥型土壤调理剂及其制备方法 | 2020-05-13 | 905 |
土壤和地形勘测 | 2020-05-11 | 98 |
红黄壤土壤结构改良剂 | 2020-05-11 | 578 |
多功能土壤结构调理剂 | 2020-05-11 | 891 |
土壤检测装置和土壤含水量及容重检测方法 | 2020-05-12 | 452 |
降低酸性镉污染土壤镉生物有效性的土壤调理剂及对土壤进行改良的方法 | 2020-05-13 | 6 |
土壤湿度计 | 2020-05-11 | 365 |
土壤修复系统 | 2020-05-12 | 770 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。