CN114970934B 一种基于特征集成学习的土壤厚度类型预测方法 （四川省烟草公司凉山州公司）

一种基于特征集成学习的土壤厚度类型预本发明涉及一种基于特征集成学习的土壤向山地区域或偏远地区缺乏足够多土壤厚度观2步骤A.基于目标区域中对应不同土地类型的预设各样点步骤D.基于目标区域中各网格分别对应各环境该土壤厚度预测模型的决定系数R2_i；其中，1≤i≤I，I表示各类型待训练模型的数量，PreTch_i(dep)表示第i个连续型土壤厚度预测模型，R2_i表示第i个土壤厚度预测模型的该土壤深度区间预测模型的精度Accu_i；ClaTch_i(dep)表示第i个土壤深度区间预测模3condis步骤ii.根据目标区域对应目标环境变量组中各最优环境变量的数据分布，应用土壤步骤A1.分别针对目标区域中对应不同土地类型的预设各样点位置，获得样点位置的步骤A2.针对连续型土壤厚度数据集ConDep进行处理，使得连续型土壤厚度数据集步骤A3.基于预设由小至大或由大至小依次排序各土壤厚度阈值、所划分的各个土壤4所述步骤A3中，基于预设由小至大或由大至小依次排序各土壤厚度7.根据权利要求1或5所述一种基于特征集成学习的8.根据权利要求1或5所述一种基于特征集成学习的土壤10.根据权利要求1所述一种基于特征集成学习的土壤厚度类型预测方法，其特征在以及所述步骤F中土壤厚度集成预测模型精度的计算、土壤深度区间集成预测模型精度的56[0003]不同的学科背景的科研工作者与不同应用部门的技术人员对土壤厚度的定义不质层的垂直深度；也有学者将土壤厚度定义为土壤养分或植物根系能够接触到的最大深物理勘探技术无法获取土壤厚度的真实数值，往往需要跟野外钻井等传统土壤调查相结物理勘探设备的技术特点，不同的技术方法往往具有特定的作业环境或适用范围的要求，7[0009](1)无论是传统的土壤剖面挖掘还是地质钻井，野外土壤调查仅能获取到调查土虽然作业效率较高，但仅能获取测线序列下土壤厚度的数值。这两种作业方式获取到的[0012](4)目前可用的空间[0014]本发明所要解决的技术问题是提供一种基于特征集成学习的土壤厚度类型预测8标区域在各样点位置分布所对应分辨率Res网格划分下、各网格分别对应各环境变量的数量，PreTch_i(dep)表示第i个连续型土壤厚度预测模型，R2_i表示第i个土壤厚度预测模9[0032]步骤ii.根据目标区域对应目标环境变量[0038]步骤A1.分别针对目标区域[0039]步骤A2.针对连续型土壤厚度数据集ConD[0040]步骤A3.基于预设由小至大或由大[0055]作为本发明的一种优选技术方案：所述步骤E中预设各类型待训练模型包括地理各土壤深度区间预测模型精度的计算，以及所述步骤F中土壤厚度集成预测模型精度的计[0058](1)本发明所设计基于特征集成学习的土壤厚度类型预测方法，有效地利用了影保证土壤厚度空间分布预测精度的同时节约[0059](2)本发明所设计基于特征集成学习的土壤厚度类型预测方法，有别于传统的连[0060](3)本发明所设计基于特征集成学习的土壤厚度类型预测方法，能够有效地将弱[0071]本发明所设计一种基于特征集成学习的土壤厚度类型预[0075]步骤A1.分别针对目标区域[0078]步骤A3.基于预设由小至大或由大进而由各样点位置的土壤深度区间特征向量，构成离散型土壤深度区间数据集DisDep=标区域在各样点位置分布所对应分辨率Res网格划分下、各网格分别对应各环境变量的数量，PreTch_i(dep)表示第i个连续型土壤厚度预测模型，R2_i表示第i个土壤厚度预测模[0105]步骤ii.根据目标区域对应目标环境变量[0110]将本发明所设计基于特征集成学习的土壤厚度类型预测点位置分布所对应分辨率1km网格划分下、各网格分别对应各环境变量的数据，格式为[0115]通过本发明所设计方案的实际实施，能够有效地将连续型土壤厚度预测子模型、特征的集成学习方法具有较高的普适性，不仅能够应用在土壤厚度类型的空间预测方面，