土壤普查方案承诺守信 得正工程国歌歌词

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。

环境变量提取栅格数据精度，要优于表1或表2的像素（像元）分辨率。其中，表1精度适用于大范围土地利用种植结构比较单一区域，例如平原粮食作物区；表2精度适用于种植结构复杂的小范围地区或地块破碎区域。1不同尺度的精度要求3环境变量制备及质量检测测试方法分区标注，对不同地区采用不同测试方法的指标，标注其所在区域，用于分别成图。

地形因素是常用的环境变量，主要包括描述地形特征的地形属性和描述地貌部位信息的指标。地形属性可利用数字高程模型栅格数据（Digitalelevationmodel，DEM）提取高程坡度坡向平面曲率剖面曲率地形湿度指数与河流的距离与山脊的距离等，可通过GIS软件计算获得。地貌部位通常用坡位表达，可用于小流域土壤属性的空间分布推测。也可通过基于相似度的模糊推理方法，通过计算坡面上任一位置与各类坡位的典型位置在属性域与空间域上的相似度，对坡位在空间上的渐变信息进行定量描述。获得研究区中每一类坡位的空间渐变图，作为土壤制图的环境协变量。3地形地貌变量的表征与数据处理