【技术实现步骤摘要】
本专利技术涉及三维建模领域，尤其涉及基于机器学习的南方丘陵土壤三维建模方法。
技术介绍
1、当前的农作物种植和土壤管理往往依赖于传统的经验和常规的土壤测试方法，这些方法在大规模且精确地对土壤进行分类和评估方面存在一些局限性。
2、传统的土壤分类和评估方法通常基于人工采集的数据和专家经验，这种方法在面对南方丘陵地区多样化的土壤类型和复杂的土壤特征时存在局限性，此外，传统的土壤评估方法往往无法全面考虑各种土壤指标之间的复杂相互关系，难以准确地提供种植建议和土壤改良计划。
3、采用机器学习方法，特别是支持向量机svm进行三维建模，能够更好地处理大量复杂的土壤数据，并挖掘土壤特征之间的非线性关系，从而实现对土壤的准确分类和建模，svm方法具有较强的泛化能力和对高维数据的处理能力，能够更好地应对南方丘陵地区土壤数据的复杂性和多样性，提供更准确的种植建议和土壤改良方案。
4、因此，引入机器学习方法，特别是svm进行三维建模，可以弥补传统方法在土壤分类和评估方面的不足，提供更精准、科学的土壤信息和农作物种植建议。
技术实现思路
1、本专利技术的目的是提供基于机器学习的南方丘陵土壤三维建模方法。
2、本专利技术所要解决的问题是：收集南方丘陵地区的土壤数据，包括土壤类型、质地、含水量、有机质含量、ph值指标，通过机器学习的一种方法svm对南方丘陵土壤进行三维建模，可以对土壤进行分类，帮助选择适合的农作物种植，让农民可以选择合适的作物，提高农作物产量和质
3、基于机器学习的南方丘陵土壤三维建模方法，包括以下步骤：
4、s1：在南方丘陵使用采样工具进行土壤采集，依据地形坡度、朝向特征设计采样网络，在不同季节进行土壤采样，采样深度为土层深度的2/3，从每个采样点中取3-5个样本，混合成一份均匀的样品，对采集到的样品进行标识，记录采样点编号、采样日期、采样深度信息，采集的数据包括土壤类型、质地、含水量、有机质含量、ph值、地形数据、植被数据、湿度数据；
5、s2：对采集到的土壤数据进行预处理，检查数据中是否存在缺失值、异常值以及错误值，对于缺失值，使用插补方法填充缺失值，对于异常值和错误值，选择删除，对于含水量、有机质含量、ph值数据进行标准化处理，对湿度数据进行滑动平均与季节性分解处理，对于地形数据、植被数据进行归一化处理，对于土壤类型、质地数据，将其转换为数值编码；
6、s3：对于预处理过后的数据包括土壤类型、质地、含水量、有机质含量、ph值、地形数据、植被数据、湿度数据，使用主成分分析pca进行降维优化，加入地形坡度与坡向特征以及植被季节性变化特征，选取用于机器学习的特征工程；
7、s4：对降维优化后的土壤类型、质地、含水量、有机质含量、ph值、地形数据、植被数据、湿度数据进行数据划分，划分为训练集和测试集，85%的数据为训练集，15%的数据为测试集；
8、s5：使用机器学习svm算法，建立svm模型，使用训练集进行训练，模型采用正则化参数c和高斯核函数中的带宽参数γ进行优化；
9、s6：使用测试集来评估模型的性能，采用均方根误差rmse和决定系数r-squared进行评估；
10、s7：模型评估通过后，使用该模型对新的南方丘陵地区的土壤数据进行建模。
11、进一步的，所述s1中依据地形坡度、朝向特征设计采样网络，在不同季节进行土壤采样，包括：
12、采用数字高程模型对所需要采集土壤的区域进行地形分析，划分出不同的坡度区间，坡度0-15°为平缓、坡度15-30°为中等、坡度30°以上为陡峭，针对不同地形特征定制采样网格密度和布局，在坡度较陡的区域增加采样点密度；
13、根据丘陵地形的朝向，为南北坡、东西坡，在不同朝向上设置采样点，在有明显阴阳坡差异的地区设置采样点，在典型微地形特征处设置采样点；
14、根据南方雨季和旱季不同季节制定不同的采样计划，收集土壤水分饱和状态和干季的水分保持能力，以及不同季节下土壤有机质分解、营养元素循环的状态，在台风、暴雨极端天气事件后，安排追踪采样。
15、进一步的，所述s1中土壤类型、质地、含水量、有机质含量、ph值、地形数据、植被数据、湿度数据采集方法，包括：
16、根据土壤分类系统，记录土壤样本的类型数据，例如为红壤、黄壤、棕壤；采用质地分级法进行描述土壤颗粒的大小和组成，记录为质地数据，例如为砂壤、壤土、粉壤；使用电阻法测量土壤中的水分含量；采用燃烧损失法测量土壤中的有机质含量；使用电子ph计测量土壤的酸碱度；获取该地区的数字高程模型数据记为地形数据；获取植被覆盖类型和密度的遥感数据记为植被数据；获取该地区的气候数据为降水量、相对湿度，记为土壤的湿度数据。
17、进一步的，所述s2中对于异常值和错误值，选择删除，对于含水量、有机质含量、ph值数据进行标准化处理，对湿度数据进行滑动平均与季节性分解处理，对于地形数据、植被数据进行归一化处理，对于土壤类型、质地数据，将其转换为数值编码，包括：
18、对于ph值数据，建立散点图对ph值数据进行可视化，采用格拉布斯grubbs统计方法，定量识别出显著偏离群体的ph值数据点，结合土壤学知识，识别由于南方丘陵特定土壤类型如红壤、砖红壤富含铁铝氧化物的土壤造成的ph值偏离常规范围的正常情况；
19、对于地形数据、植被数据转换为均值为0，方差为1的标准正态分布数据；
20、对于湿度数据，采用滑动平均方法平滑湿度数据，根据南方丘陵地区降雨频率设置滑动窗口大小，基于10年统计数据，计算所有年份年均降雨日数的平均值和标准差，定义年均降雨日数高于平均值加一个标准差的年份为较高降雨频次，低于平均值减一个标准差的年份为较低降雨频次，较高降雨频次窗口设置为7天，较低降雨频次窗口设置为21天，其余降雨频次窗口设置为14天，对每个采样点的湿度数据序列应用滑动平均算法，对每个数据点，计算其前后窗口大小天数内湿度数据的平均值，用此平均值替代原数据点；
21、对于平滑过后的湿度数据进行季节性分解，对土壤湿度数据按年度进行分割，使用季节性分解方法x-13arima-seats，将每个年度数据分解为趋势项、季节性项和随机项，对季节性项进行处理，识别并减去因季节性降雨导致的湿度峰值，将处理后的季节性项与趋势项、随机项重新组合，生成经过季节性调整的湿度数据序列；
22、将地形数据、植被数据、湿度数据采用min-max归一化，，其中x是原始数据，x_normalized是归一化后的数据，max(x)是原始数据中的最大值，min(x)是原始数据中的最小值；
23、对于土壤类型、质地数据，将其转换为数值编码，对于土壤类型数据红壤、黄壤、棕壤，对其独热编码，分别为[1,0,0]、[0,1,0]、[0,0,1]，对于质地数据砂壤、壤土、粉壤，对本文档来自技高网...
【技术保护点】
1.基于机器学习的南方丘陵土壤三维建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述S1中依据地形坡度、朝向特征设计采样网络，在不同季节进行土壤采样，包括：
3.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述S1中土壤类型、质地、含水量、有机质含量、PH值、地形数据、植被数据、湿度数据采集方法，包括：
4.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述S2中对于异常值和错误值，选择删除，对于含水量、有机质含量、PH值数据进行标准化处理，对湿度数据进行滑动平均与季节性分解处理，对于地形数据、植被数据进行归一化处理，对于土壤类型、质地数据，将其转换为数值编码，包括：
5.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述S3使用主成分分析PCA进行降维优化，包括以下步骤：
6.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述S3中加入地形坡度与坡向特征以及
7.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述S5模型采用正则化参数C和高斯核函数中的带宽参数γ进行优化，包括：
...【技术特征摘要】
1.基于机器学习的南方丘陵土壤三维建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述s1中依据地形坡度、朝向特征设计采样网络，在不同季节进行土壤采样，包括：
3.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述s1中土壤类型、质地、含水量、有机质含量、ph值、地形数据、植被数据、湿度数据采集方法，包括：
4.如权利要求1所述的基于机器学习的南方丘陵土壤三维建模方法，其特征在于，所述s2中对于异常值和错误值，选择删除，对于含水量、有机质含量、ph值数据进行标准化处理，对湿度...
【专利技术属性】
技术研发人员：张军，王萃，魏龙，李欣，李胜天，
申请(专利权)人：江西省地质局地理信息工程大队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。